-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy path_PROXIES.R
173 lines (136 loc) · 7.37 KB
/
_PROXIES.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
PROXIES<-data.frame(id=1:length(EssayText))
print("############################################################")
print("# remove \\")
#####################################################################
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\\\","/",x)))
print("############################################################")
print("# remove some special characters")
#####################################################################
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\&",";",x)))
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\^","",x)))
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\#","",x)))
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\$","",x)))
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\[","",x)))
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\]","",x)))
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\*","",x)))
EssayText<-unlist(lapply(EssayText,function(x) gsub("\\()","",x)))
print("############################################################")
print("# longest string")
#####################################################################
PROXIES$string_max<-as.numeric(sapply(EssayText,function(x) max(nchar(strsplit(x,split=" ")[[1]]))))
print("############################################################")
print("# get rid of long string")
#####################################################################
get_rid_of_long_string<-function(x) {
tmp<-strsplit(x,split=" ")[[1]]
tmp<-tmp[which(nchar(tmp)>45)]
if (length(tmp)>0)
for (i in tmp)
x<-gsub(i,"",x)
x
}
EssayText<-unlist(lapply(EssayText,get_rid_of_long_string))
Store(EssayText)
print("############################################################")
print("# Proxies based on words")
#####################################################################
# count number of words
PROXIES$NbWords<-sapply(EssayText,function(x) sum(textcnt(x,n=1,method="string")))
# count unique words
PROXIES$UniqueWords<-sapply(EssayText,function(x) length(textcnt(x,n=1,method="string")))
# count ratio number of words / unique words
PROXIES$RUniqueWords<-PROXIES$NbWords/PROXIES$UniqueWords
print("############################################################")
print("# Proxies based on characters")
#####################################################################
# count number of characters
PROXIES$nchar<-sapply(EssayText,nchar)
#stats on words length
tmp<-t(sapply(sapply(EssayText,function(x) textcnt(x,n=1,method="string")),
function(x) quantile(sapply(rep(names(x),x),nchar),c(0.75,0.9,0.95,0.99))))
PROXIES$WordsLengthQ90<-tmp[,2]
PROXIES$WordsLengthQ95<-tmp[,3]
PROXIES$WordsLengthQ99<-tmp[,4]
print("############################################################")
print("# Proxies based on sentences")
#####################################################################
# count nb of sentences
EssayText2<-gsub("\\?","\\.",EssayText)
EssayText2<-gsub("!","\\.",EssayText2)
for (i in 1:100) EssayText2<-gsub("\\.\\.","\\.",EssayText2)
PROXIES$NbSentences<-sapply(EssayText2,function(x) length(strsplit(x,split="\\.")[[1]]))
# count number of words per sentence
PROXIES$WordsMeanInSent<-PROXIES$NbWords/PROXIES$NbSentences
PROXIES$WordsSdInSent<-sapply(EssayText,function(x)
sd(sapply(strsplit(x,split = "\\.")[[1]],
function(x) sum(textcnt(x,n=1,split="[[:space:]]",method="string")))))
PROXIES$WordsSdInSent[is.na(PROXIES$WordsSdInSent)]<--1
PROXIES$WordsMaxInSent<-sapply(EssayText,function(x)
max(sapply(strsplit(x,split = "\\.")[[1]],
function(x) sum(textcnt(x,n=1,split="[[:space:]]",method="string")))))
PROXIES$WordsMinInSent<-sapply(EssayText,function(x)
min(sapply(strsplit(x,split = "\\.")[[1]],
function(x) sum(textcnt(x,n=1,split="[[:space:]]",method="string")))))
print("############################################################")
print("# Proxies based on punctuation")
#####################################################################
# count nb of digits
PROXIES$Digit<-sapply(EssayText,function(x) length(strsplit(x,split = "[[:digit:]]+")[[1]]))-1
# count % of punctuation
PROXIES$Punct<-(sapply(EssayText,function(x) length(strsplit(x,split = "[[:punct:]]+")[[1]]))-1)/
PROXIES$NbWords
#presence of quote
PROXIES$QuotM<-(sapply(strsplit(EssayText,split="\"",fixed=TRUE),length)-1)/PROXIES$NbWords
#presence of slash
PROXIES$Slash<-(sapply(strsplit(EssayText,split="/",fixed=TRUE),length)-1)/PROXIES$NbWords
#presence of exclamation mark
PROXIES$Emark<-(sapply(strsplit(EssayText,split="!",fixed=TRUE),length)-1)/PROXIES$NbWords
#presence of colon
PROXIES$Colon<-(sapply(strsplit(EssayText,split=":",fixed=TRUE),length)-1)/PROXIES$NbWords
#presence of question mark
PROXIES$Question<-(sapply(strsplit(EssayText,split="?",fixed=TRUE),length)-1)/PROXIES$NbWords
#presence of braket
PROXIES$Braket<-(sapply(strsplit(EssayText,split="(",fixed=TRUE),length)-1)/PROXIES$NbWords
#presence of comma
PROXIES$Comma<-(sapply(strsplit(EssayText,split=",",fixed=TRUE),length)-1)/PROXIES$NbWords
#presence of semicolon
PROXIES$SemiColon<-(sapply(strsplit(EssayText,split=";",fixed=TRUE),length)-1)/PROXIES$NbWords
print("############################################################")
print("# % of transition words")
#####################################################################
NTransW1<-sapply(sapply(EssayText,function(x) textcnt(x,n=1,method="string")),
function(x) sum((names(x) %in% Trans_words)==TRUE))
NTransW2<-sapply(sapply(EssayText,function(x) textcnt(x,n=2,method="string")),
function(x) sum((names(x) %in% Trans_words)==TRUE))
NTransW3<-sapply(sapply(EssayText,function(x) textcnt(x,n=3,method="string")),
function(x) sum((names(x) %in% Trans_words)==TRUE))
NTransW4<-sapply(sapply(EssayText,function(x) textcnt(x,n=4,method="string")),
function(x) sum((names(x) %in% Trans_words)==TRUE))
PROXIES$PTransW<-(NTransW1+NTransW2+NTransW3+NTransW4)/PROXIES$NbWords
print("############################################################")
print("# % of precise verbs")
#####################################################################
STEM1G = lapply(sapply(EssayText,function(x) textcnt(x,n=1,method="string")),
function(x) wordStem(substr(names(x),1,254)))
STEM2G = lapply(sapply(EssayText,function(x) textcnt(x,n=2,method="string")),
function(x) wordStem(substr(names(x),1,254)))
NPrV<-sapply(STEM1G,function(x) sum((x %in% Prec_verbs)==TRUE))
NPrV2<-sapply(STEM2G,function(x) sum((x %in% Prec_verbs)==TRUE))
PROXIES$PPrV<-(NPrV+NPrV2)/PROXIES$NbWords
print("############################################################")
print("# % of mispelling")
#####################################################################
NErr<-sapply(sapply(EssayText,function(x) textcnt(x,n=1,method="string")),
function(x) sum((names(x) %in% VOCAB)==FALSE))
PROXIES$PErr<-NErr/PROXIES$NbWords
print("############################################################")
print("# impute NAs and Inf")
#####################################################################
PROXIES[is.na(PROXIES)]<-0
PROXIES[PROXIES==Inf]<-0
print("############################################################")
print("Save")
#####################################################################
save(PROXIES,
file=paste("Working_files/",Version,ifelse(RUN_TYPE=="TEST","_H",""),"_",item,"_PROXIES.RData",sep=""))
rm(list=ls())