今天整理了大學期間的讀書記錄选泻，看著長長的書單苇本，覺得應該將這些書分個類决记，看看自己在大學期間的閱讀習慣是什么樣的想罕。結果分了十幾分鐘連十分之一都沒有分完，感覺很累霉涨。在數(shù)據(jù)分析中有個概念叫聚類按价，而我的目的是把書分類，這兩件事是差不多的吧笙瑟，那應該就有工具可以幫我做這個事情楼镐。
程序員要善于利用工具
于是我開始在網(wǎng)絡上搜索，看有沒有現(xiàn)成的程序可以用往枷。
不一會兒框产，就在知乎上找到一個 你用 Python 做過什么有趣的數(shù)據(jù)挖掘/分析項目凄杯？
剪切式編程
可喜可賀，里面還有代碼示例秉宿，看著很簡短戒突。雖然不會 python，但是照貓畫虎還是可以的描睦。將代碼拷貝下來膊存，改了改。中間遇到一些中文編碼的問題忱叭，磕磕碰碰的隔崎，但最后也搞定了。
生成的圖片如下：
圖片中顯示的文字越大韵丑，說明詞頻越高爵卒，從圖片看來，我讀過最多的是 XXX 程序設計 這類的書撵彻，嗯钓株，很有道理。
有待完善
不過從這個圖本身看來陌僵，還有不少小問題享幽，比如
- 分詞不夠理想，皮格馬利翁是一個詞拾弃，不應該被分開
- 出現(xiàn)了重復的詞，
Java在圖片上出現(xiàn)好幾次摆霉，按理說豪椿，同一個詞根據(jù)詞頻的高低不同顯示為不同的大小之后，只會出現(xiàn)一次携栋。仔細看可以發(fā)現(xiàn)搭盾，圖片上出現(xiàn)的三個Java其實是不同的，第一個只有Java這個單詞婉支，第二個是Java 中文鸯隅，第三個是Agile Java。這么看來向挖，還是分詞的問題
雖然從這個圖片中看不到太多有用的信息蝌以，但是整個過程還是挺有意思的。而且何之，我還可以繼續(xù)從讀書記錄里面挖掘出來更多的信息跟畅。很容易想到的就是，我可以給書加標簽溶推，用標簽來給書做聚類分析徊件，這樣應該可以得到更有價值的信息奸攻。
新的思路
不過給兩百多本書加標簽，比分類的工作量要大得多虱痕，畢竟每本書可以加若干個標簽睹耐。
于是，我又想到部翘，可以借鑒使用豆瓣上現(xiàn)成的標簽
這樣就不用自己加標簽了硝训。我只需要請求豆瓣的 API，拿到讀書記錄中所有書的標簽就行了略就，工作量一下子小了很多捎迫。
找了一圈，發(fā)現(xiàn)原來豆瓣沒有根據(jù)書名直接招書的 API表牢，想要精確的定位一本書窄绒，需要用 ISBN。想想也有道理崔兴，同名的書可能有很多彰导，根據(jù)書名確實無法唯一地定位一本書。那該怎么辦呢敲茄？
未完待續(xù)……
今天時間不多位谋，就先到這里吧，挖個坑以后慢慢埋……
