如何删除dataframe中的行并基于匹配的字符值求和数值

我有一个包含单词频率的数据框，其中许多只是一个相同首字母单词的拼写变体，例如首字母

oh

，如下示例数据：

test <- data.frame(
  Word = c("oh", "ooh", "ohhh", "right-oh", "o'clock", "oohh", "o-oh", "o-b-i-t-r-y"),
  Freq = c(4762, 554, 15, 7, 7, 3, 3, 2),
  c5 = c("ITJ", "ITJ", "NP0", "ZZ0", "NN1", "ITJ", "AV0", "ZZ0"),
  Freq_BNCc = c(41555, 3856, 21, 931, 10, 8, 1065, 6),
  stringsAsFactors = F)

test
         Word Freq  c5 Freq_BNCc
1          oh 4762 ITJ     41555
2         ooh  554 ITJ      3856
3        ohhh   15 NP0        21
4    right-oh    7 ZZ0       931
5     o'clock    7 NN1        10
6        oohh    3 ITJ         8
7        o-oh    3 AV0      1065
8 o-b-i-t-r-y    2 ZZ0         6

然后，通过将标题词的频率加上

test

中两列中的变体相加，更新

test2

中的频率：

test2$Freq[test2$Word=="oh"] <- sum(test$Freq[grepl("^o[oh-]+$", test$Word)])
test2$Freq_BNCc[test2$Word=="oh"] <- sum(test$Freq_BNCc[grepl("^o[oh-]+$", test$Word)])

---

但这种方法感觉笨拙而且容易出错。有更好的方法吗？

正如我在上面的评论中所写的，简单地用目标词替换变体可能更容易，使用

word

进行分组，然后使用

dplyr:：mutate

按组对相关值求和，并使用

dplyr:：slice

获得第一个组成员：

库（dplyr）
#用目标词替换变体。
test[grepl（（？！^oh$）^o[oh-]+$，test$Word，perl=T），“Word”]%
分组依据（字）%>%
变异（Freq=sum（Freq），Freq_-BNCc=sum（Freq_-BNCc））%>%
切片（1）
####输出####
#一个tibble:4x4
#分组：Word[4]
字频c5频
1 o-b-i-t-r-y 2 ZZ06
下午2时7分10分
3 oh 5337 ITJ 46505
4右oh 7 ZZ0 931

---

就我个人而言，我更喜欢字符串距离而不是正则表达式，因此我可能会使用

test[stringdist（“哦”，test$Word，“cosine”）<.2，“Word”]您是否尝试过使用字符串相似性度量，例如cosine，等等？不，但是匹配变量不是问题。对于
oh
的第一个条目，您的正则表达式返回FALSE，您是指这个正则表达式吗
grepl（（？！^oh$）^o[oh-]+$”，test$Word，perl=T）
。这是有意的，因为我想删除带有变体的行，但不想删除带有head单词的行，但您不想删除它们。你想把它们加起来，得到总数……对吗？这与移除不同。如果您使正则表达式包含原始的
oh
，那么您可以使用它创建组，并根据usualThanks对每个组求和，做得很好。我不熟悉字符串距离和相似性度量，但如果它们能够比正则表达式更好地处理我的数据（来自非正式对话语料库）的巨大差异，我会感到惊讶。
test2$Freq[test2$Word=="oh"] <- sum(test$Freq[grepl("^o[oh-]+$", test$Word)])
test2$Freq_BNCc[test2$Word=="oh"] <- sum(test$Freq_BNCc[grepl("^o[oh-]+$", test$Word)])

test2
         Word Freq  c5 Freq_BNCc
1          oh 5337 ITJ     46505
4    right-oh    7 ZZ0       931
5     o'clock    7 NN1        10
8 o-b-i-t-r-y    2 ZZ0         6