R convertir la serie al vector tokenize usando ""

Question

que tienen una cadena:

string1 <- "This is my string" 

me gustaría convertirlo en un vector que tiene este aspecto:

vector1 
"This" 
"is" 
"my" 
"string" 

¿Cómo hago esto ? Sé que podría usar el paquete tm para convertirlo a termDocumentMatrix y luego convertirlo a una matriz, pero alfabetizaría las palabras y las necesito para mantenerme en el mismo orden.

Answer 1

Puede usar strsplit para realizar esta tarea.

string1 <- "This is my string" 
strsplit(string1, " ")[[1]] 
#[1] "This" "is"  "my"  "string" 

Answer 2

ligeramente diferente de Dason, pero esto dividirá por cualquier cantidad de espacio que incluye saltos de línea blanca:

string1 <- "This is my 
string" 
strsplit(string1, "\\s+")[[1]] 

Answer 3

Probar:

library(tm) 
library("RWeka") 
library(RWekajars) 
NGramTokenizer(source1, Weka_control(min = 1, max = 1)) 

Es una solución más de ingeniería para su problema . strsplit usando el enfoque de Sacha generalmente está bien.

Answer 4

Como complemento, también podemos utilizar unlist() para producir un vector de una estructura de lista dada:

string1 <- "This is my string" # get a list structure 
unlist(strsplit(string1, "\\s+")) # unlist the list 
#[1] "This" "is"  "my"  "string" 

Answer 5

Si sólo va a extraer las palabras mediante la división de los espacios, aquí hay un par de buenas alternativas .

string1 <- "This is my string" 

scan(text = string1, what = "") 
# [1] "This" "is"  "my"  "string" 

library(stringi) 
stri_split_fixed(string1, " ")[[1]] 
# [1] "This" "is"  "my"  "string" 
stri_extract_all_words(string1, simplify = TRUE) 
#  [,1] [,2] [,3] [,4]  
# [1,] "This" "is" "my" "string" 
stri_split_boundaries(string1, simplify = TRUE) 
#  [,1] [,2] [,3] [,4]  
# [1,] "This " "is " "my " "string"