Как подсчитать документы, в которых два слова появляются в непосредственной близости от R?

Question

Я хотел был бы сосчитать документы, в которых две строки отображаются на заданном расстоянии в пределах 10 слов друг от друга. Скажем, «немецкий» и «война». Я не хочу подсчитывать время, которое они отображаются в целом, но только количество документов, в которых появляется набор (если он появляется один раз, считайте его одним).

Я знаю, как считать документы, содержащие слово. Но я не уверен, нужно ли мне извлекать 10 граммов и посмотреть, появляются ли два слова, а затем подсчитать это на одном документе или, если есть более эффективный способ.

Answer 1

В дальнейшем это небольшая функция, которая проверяет, находится ли в тексте два слова ближе 100 символов.

isclose = function(text){ 
    test <- FALSE 
    limit <- 100 # Interval in char counts 
    match1 <- gregexpr('war', text)[[1]] 
    match2 <- gregexpr('German', text)[[1]] 

    for(i in 1:length(match1)){ 
    for(j in 1:length(match2)){ 
     if(abs(match1[i]-match2[j]) < limit) test <- TRUE 
    } 
    } 
    return(test) 
} 

Он отлично работает, но его следует улучшить, чтобы подсчитать количество слов вместо символов.