R tm自定义删除除hashtag之外的标点符号

我有一个twitter上的推特文集。我清理了这个语料库（删除单词、tolower、删除URL），最后还想删除标点符号

这是我的密码：

tweetCorpus <- tm_map(tweetCorpus, removePunctuation, preserve_intra_word_dashes = TRUE)

---

tweetCorpus您可以调整现有的Remove标点符号以满足您的需要。比如说

removeMostPunctuation<-
function (x, preserve_intra_word_dashes = FALSE) 
{
    rmpunct <- function(x) {
        x <- gsub("#", "\002", x)
        x <- gsub("[[:punct:]]+", "", x)
        gsub("\002", "#", x, fixed = TRUE)
    }
    if (preserve_intra_word_dashes) { 
        x <- gsub("(\\w)-(\\w)", "\\1\001\\2", x)
        x <- rmpunct(x)
        gsub("\001", "-", x, fixed = TRUE)
    } else {
        rmpunct(x)
    }
}

当您将其与tm_地图一起使用时，请确保将其包装在
content_transformer（）

tweetcompus我维护的qdap包具有
strip
功能来处理此问题，您可以指定不剥离的字符：

library(qdap)

strip("hello #hastag @money yeah!! o.k.", char.keep="#")

这里它被应用于
语料库
：

library(tm)

tweetCorpus <- Corpus(VectorSource("hello #hastag @money yeah!! o.k."))
tm_map(tweetCorpus, content_transformer(strip), char.keep="#")

这是相当神秘的，额外的步骤是使用哨兵\001、\002临时保护“#”和“-”不被删除。为了避免破坏Unicode标点符号，您是否不希望在没有这些符号的情况下简单地展开
[[：punct:][]
？
library(qdap)

strip("hello #hastag @money yeah!! o.k.", char.keep="#")

library(tm)

tweetCorpus <- Corpus(VectorSource("hello #hastag @money yeah!! o.k."))
tm_map(tweetCorpus, content_transformer(strip), char.keep="#")

removeMostPunctuation <- function(text, keep = "#") {
    m <- sub_holder(keep, text)
    m$unhold(strip(m$output))
}

removeMostPunctuation("hello #hastag @money yeah!! o.k.")

## "hello #hastag money yeah ok"