识别具有特定语言的元素，例如中国人

问题描述

我有一个看起来像这样简化的数据集：

call_id<- c("001","002","003","004","005","012","024")
transcript <- c("All the best and happy birthday","万事如意，生日快乐","See you tomorrow","Nice hearing from you","再相见","玩","恭喜你 ")
df <- as.data.frame(cbind(call_id,transcript))

我需要一个代码来为我提供 call_id 或行号，以便在成绩单列包含中文的情况下进行观察。我的最终目标是排除成绩单列包含中文的行。由于我有一个包含 250,000 个观察值的数据集，显然它必须是一个自动执行此操作的代码，而不是为这个小数据集手动执行此操作的代码。我已经用 Quanteda 做了一些分析。 Quanteda 有这方面的可能吗？提前致谢。

解决方法

对于汉字使用Unicode字符类怎么样？

> txt <- c("All the best and happy birthday","万事如意，生日快乐")
> stringi::stri_detect_regex(txt,"\\p{Han}")
[1] FALSE  TRUE

,

您可以使用 R 中的 textcat 包来检测多种语言。它可以检测多达 74 种语言，并使用简化的 n-gram 方法，旨在消除原始方法的冗余。

这是删除具有 Chinese 语言的行的示例-

library("textcat")
out_df <- df[textcat(df$transcript) != "chinese",]