R Divisão / subconjunto dinâmico do quadro de dados pelos números de rown selecionados - Análise da grade de texto
Estou tentando processar um "arquivo de segmentação" chamado.TextGrid
(gerado pelo programa Praat). )
O formato original é assim:
File type = "ooTextFile"
Object class = "TextGrid"
xmin = 0
xmax = 243.761375
tiers? <exists>
size = 17
item []:
item [1]:
class = "IntervalTier"
name = "phones"
xmin = 0
xmax = 243.761
intervals: size = 2505
intervals [1]:
xmin = 0
xmax = 0.4274939687384032
text = "_"
intervals [2]:
xmin = 0.4274939687384032
xmax = 0.472
text = "v"
intervals [3]:
[...]
(Isso é repetido para EOF, com intervalos [3 a n] para n Item (camada de anotação) em um arquivo.
Alguémpropôs uma solução usandoPacote rPython R.
Infelizmente:
Eu não tenho um bom conhecimento de PythonA versão do rPython não está disponível para R.3.0.2 (que estou usando).Meu objetivo é desenvolver esse analisador para minha análise exclusivamente em ambiente R.No momento, meu objetivo é segmentar esse arquivo em vários quadros de dados. Cada quadro de dados deve conter um item (camada de anotação).
# Load the Data
txtgrid <- read.delim("./xxx_01_xx.textgrid", sep=c("=","\n"), dec=".", header=FALSE)
# Erase White spaces (use stringr package)
txtgrid[,1] <- str_trim(txtgrid[,1])
# Convert row.names to numeric
num.row<- as.numeric(row.names(txtgrid))
# Redefine the original textgrid and add those rows (I want to "keep them in case for later process)
txtgrid <- data.frame(num.row,txtgrid)
colnames(txtgrid) <- c("num.row","object", "value")
head(txtgrid)
A saída dehead(txtgrid)
é muito bruto, então aqui estão as primeiras 20 linhas da grade de textotxtgrid[1:20,]
:
num.row object value
1 1 File type ooTextFile
2 2 Object class TextGrid
3 3 xmin 0
4 4 xmax 243.761375
5 5 tiers? <exists>
6 6 size 17
7 7 item []:
8 8 item [1]:
9 9 class IntervalTier
10 10 name phones
11 11 xmin 0
12 12 xmax 243.761
13 13 intervals: size 2505
14 14 intervals [1]:
15 15 xmin 0
16 16 xmax 0.4274939687384032
17 17 text _
18 18 intervals [2]:
19 19 xmin 0.4274939687384032
20 20 xmax 0.472
Agora que eu o pré-processei, posso:
# Find the number of the rows where I want to split (i.e. Item)
tier.begining <- txtgrid[grep("item", txtgrid$object, perl=TRUE), ]
# And save those numbers in a variable
x <- as.numeric(row.names(tier.begining))
Essa variávelx
fornece os números-1 onde meus dados devem ser divididos em vários quadros de dados.
Eu tenho 18 itens -1 (o primeiro item é o item [] e inclui todos os outros itens. Portanto, vectorx
é :
x
[1] 7 8 10034 14624 19214 22444 25674 28904 31910 35140 38146 38156 38566 39040 39778 40222 44800
[18] 45018
Como posso saber para R : para segmentar esse quadro de dados em vários quadros de dadostextgrids$nameoftheItem
de modo a obter o maior número de quadros de dados possível dos itens ?, por exemplo:
textgrid$phones
item [1]:
class = "IntervalTier"
name = "phones"
xmin = 0
xmax = 243.761
intervals: size = 2505
intervals [1]:
xmin = 0
xmax = 0.4274939687384032
text = "_"
intervals [2]:
xmin = 0.4274939687384032
xmax = 0.472
text = "v"
[...]
intervals [n]:
textgrid$syllable
item [2]:
class = "IntervalTier"
name = "syllable"
xmin = 0
xmax = 243.761
intervals: size = 1200
intervals [1]:
xmin = 0
xmax = 0.500
text = "ve"
intervals [2]:
[...]
intervals [n]:
textgrid$item[n]
Eu queria usar
txtgrid.new <- split(txtgrid, f=x)
Mas esta mensagem está certa:
Warning message: In split.default(x = seq_len(nrow(x)), f = f, drop = drop, ...) : data length is not a multiple of split variable
Eu não recebo o resultado desejado, parece que os números das linhas não se seguem e que o arquivo está todo misturado.
Eu também tentei algunswhich
, daply
(porplyr
) &subset
funções, mas nunca as fez funcionar corretamente!
Congratulo-me com qualquer ideia de estruturar esses dados de maneira adequada e eficiente. Idealmente, eu deveria ser capaz de vincular itens (camadas de anotação) entre eles (xmin e xmax de diferentes camadas), bem como vários arquivos de grade de texto, este é apenas o começo.