R - 自然語言語料庫到數據框的XML

我正在使用XML包處理R中的XML文件。我的最終目標是創建一個包含以下信息的數據框。R - 自然語言語料庫到數據框的XML

LUWPOS LUWDictionaryForm LUWLemma OrthographicTranscription PhoneticTranscription PlainOrthographicTranscription Devoiced MoraID　ToneClass MoraID 
動詞 ダイスル 題する 題し ダイシ 題し 1 3 accent 1

LUWPOS，LUWDictionaryForm，LUWLemma是LUW節點的基礎。 OrthographicTranscription，PhoneticTranscriptio，PlainOrthographicTranscription在SUW中，是LUW的女兒。已取消發票位於SUW的後代電話節點中。 MoraID是Mora節點的一員，它是Phone的祖母。 ToneClass是節點XJToBILabelTone的一個屬性，它是Phone的後代。第二個MoraID是包含Toneclass =口音的XJToBILabelTone的最接近的祖先。即使所有手機節點都不包含att清音。在這種情況下，我不需要第一個MoraID。當XJToBILabelTone不包含ToneClass =「重音」時，我不需要第二個MoraID。

到目前爲止，我可以做到以下幾點：

doc= xmlInternalTreeParse(file="A01F0122.xml") #opens the file 
    luw <- xpathSApply(doc, "//LUW", xmlAttrs) #extracts the attributes of the node LUW 
    df <- data.frame(Reduce(rbind, luw)) #creates the dataframe

它給了我下面的輸出。

LUWID LUWPOS IsNewLine LineID LUWDictionaryForm  LUWLemma LUWMiscPOSInfo1 
19  2 名詞   1 002   ホンジツ   本日    2 
20  3 名詞   1 003 ハッピョウシャ  発表者    3 
21  4 助詞   0 003    ノ   の   格助詞 
22  5 名詞   1 004    ××××   ××  固有名詞 
23  6 名詞   1 005  キュウヨウ   急用    6 
24  7 助詞   0 005  ニツキマシテ につきまして   格助詞 
25  1 名詞   1 001   ケッセキ   欠席    1 
26  2 助動詞   0 001  デゴザイマス でございます   連用形 
27  3 助詞   0 001    テ   て  接続助詞 
28  4 名詞   1 002   カワリ  代わり    4 
29  5 助詞   0 002    ニ   に   格助詞 
30  6 代名詞   1 003   ワタクシ   私    6

它包含我想要的一些信息，但我不知道如何得到LUW的後代。

<?xml version="1.0" encoding="UTF-8"?> 
<Talk TalkID="A01F0122" SpeakerID="463" SpeakerBirthPlace="神奈川県" SpeakerBirthGeneration="70to74" SpeakerSex="女"> 
    <TalkComment> 
    <Comment CommentStrings="講演ID:A01F0122"/> 
    <Comment CommentStrings=""/> 
    <Comment CommentStrings=""/> 
    </TalkComment> 
    <IPU IPUID="0001" IPUStartTime="00000.312" IPUEndTime="00001.973" Channel="L"> 
    <LUW LUWID="9" LUWPOS="動詞" IsNewLine="1" LineID="006" LUWDictionaryForm="ダイスル" LUWLemma="題する" LUWConjugateType="サ行変格" LUWConjugateForm="連用形"> 
     <SUW SUWID="1" ColumnID="001" SUWDictionaryForm="ダイスル" SUWLemma="題する" SUWConjugateForm="連用形" SUWConjugateType="サ行変格" SUWConjugateForm2="連用形" SUWConjugateType2="サ行変格" SUWPOS="動詞" OrthographicTranscription="題し" PhoneticTranscription="ダイシ" PlainOrthographicTranscription="題し" APID="7" Dep_BunsetsuUnitID="6" Dep_ModifieeBunsetsuUnitID="7"> 
     <TransSUW TransSUWID="1"> 
      <Mora MoraEntity="ダ" MoraID="1" PerceivedAcc="1"> 
      <Phoneme PhonemeEntity="d" PhonemeID="1"> 
       <Phone PhoneID="1" PhoneEntity="SclS" PhoneClass="others" PhoneStartTime="6.188682" PhoneEndTime="6.19458"/> 
       <Phone PhoneID="2" PhoneEntity="d" PhoneClass="consonant" PhoneStartTime="6.19458" PhoneEndTime="6.207031"/> 
      </Phoneme> 
      <Phoneme PhonemeEntity="a" PhonemeID="2"> 
       <Phone PhoneID="1" PhoneEntity="a" PhoneClass="vowel" PhoneStartTime="6.207031" PhoneEndTime="6.317124"> 
       <XJToBILabelTone Time="6.212447" F0="209.865" ToneClass="IBT">%L</XJToBILabelTone> 
       <XJToBILabelTone Time="6.275146" F0="195.496" ToneClass="accent">A</XJToBILabelTone> 
       </Phone> 
      </Phoneme> 
      </Mora> 
      <Mora MoraEntity="イ" MoraID="2"> 
      <Phoneme PhonemeEntity="i" PhonemeID="1"> 
       <Phone PhoneID="1" PhoneEntity="i" PhoneClass="vowel" PhoneStartTime="6.317124" PhoneEndTime="6.361029"/> 
      </Phoneme> 
      </Mora> 
      <Mora MoraEntity="シ" MoraID="3"> 
      <Phoneme PhonemeEntity="sj" PhonemeID="1"> 
       <Phone PhoneID="1" PhoneEntity="sj" PhoneClass="consonant" PhoneStartTime="6.361029" PhoneEndTime="6.406245" EndTimeUncertain="1"/> 
      </Phoneme> 
      <Phoneme PhonemeEntity="i" PhonemeID="2"> 
       <Phone PhoneID="1" PhoneEntity="i" PhoneClass="vowel" Devoiced="1" PhoneStartTime="6.406245" PhoneEndTime="6.451461" StartTimeUncertain="1"> 
       <XJToBILabelWord Time="6.451461" PerceivedAccPos="1">daisji</XJToBILabelWord> 
       <XJToBILabelBreak Time="6.451461">1</XJToBILabelBreak> 
       </Phone> 
      </Phoneme> 
      </Mora> 
     </TransSUW> 
     </SUW> 
    </LUW> 
    <LUW LUWID="10" LUWPOS="助詞" IsNewLine="0" LineID="006" LUWDictionaryForm="テ" LUWLemma="て" LUWMiscPOSInfo1="接続助詞"> 
     <SUW SUWID="1" ColumnID="005" SUWDictionaryForm="テ" SUWLemma="て" SUWMiscPOSInfo1="接続助詞" SUWPOS="助詞" OrthographicTranscription="て" PhoneticTranscription="テ" PlainOrthographicTranscription="て" APID="7"> 
     <TransSUW TransSUWID="1"> 
      <Mora MoraEntity="テ" MoraID="1"> 
      <Phoneme PhonemeEntity="t" PhonemeID="1"> 
       <Phone PhoneID="1" PhoneEntity="SclS" PhoneClass="others" PhoneStartTime="6.451461" PhoneEndTime="6.484228"> 
       <XJToBILabelTone Time="6.451887" ToneClass="LTBPM" F0Uncertain="1">L%</XJToBILabelTone> 
       </Phone> 
       <Phone PhoneID="2" PhoneEntity="t" PhoneClass="consonant" PhoneStartTime="6.484228" PhoneEndTime="6.497334"/> 
      </Phoneme> 
      <Phoneme PhonemeEntity="e" PhonemeID="2"> 
       <Phone PhoneID="1" PhoneEntity="e" PhoneClass="vowel" PhoneStartTime="6.497334" PhoneEndTime="6.565485"> 
       <XJToBILabelTone Time="6.536170" F0="245.046" ToneClass="Pointer">pH</XJToBILabelTone> 
       <XJToBILabelWord Time="6.565485" PerceivedAccPos="0">te</XJToBILabelWord> 
       <XJToBILabelBreak Time="6.565485">1</XJToBILabelBreak> 
       </Phone> 
      </Phoneme> 
      </Mora> 
     </TransSUW> 
     </SUW> 
    </LUW> 
    </IPU> 
</Talk>

來源

2014-04-22 user3559004

（這不是一個解決方案，但對於一個方式來進行一些指導。在註釋中粘貼代碼小於最佳的SO）

你應該考慮去列表操作路線VS的XML路徑路線。

# get the XML doc as a list of nested lists 
doc.list <- xmlToList(doc) 
# inspect it 
str(doc.list) 

# get the LUW nested list to make it easier to process 
luw.list <- dl$IPU$LUW 
# inspect it 
str(luw.list) 

# look at the attributes 
str(luw.list$.attrs) 

# inspect the SUM node 
str(luw.list$SUW)

一旦你得到了一個結構的感覺，你應該能夠使用各種*apply或dply函數提取你所需要的。

來源

2014-04-22 12:54:58 hrbrmstr

R - 自然語言語料庫到數據框的XML

回答

相關問題