前言
作為一個(gè)從小生長(zhǎng)在海邊的孩子，我卻一直沒有見過海的樣子锉矢。但這并沒有妨礙年幼的我對(duì)大海的幻想和憧憬梯嗽。
童年的大海，是海洋館里的蝙蝠（后來才知道叫蝠鲼）沽损，是千奇百怪的水母灯节，是色彩斑斕的珊瑚……
后來長(zhǎng)大些，大海變成了家里書架上的一本本書名：海底兩萬里绵估、金銀島炎疆、魯濱遜漂流記……
現(xiàn)在還知道，大海見證了哥倫布的大航海国裳，促成了達(dá)爾文的進(jìn)化論形入，也承載著路飛的海賊夢(mèng)。
正文
一晃十幾年缝左，回想小時(shí)看的關(guān)于大海的書唯笙，情節(jié)早已忘得一干二凈螟蒸。感慨時(shí)光飛逝的同時(shí)，也勾起了我重溫老書的興趣崩掘。
小時(shí)候，老人與海是我最愛讀的小說少办，所以就從這本入手苞慢。由于我迫切地想知道小說到底講了些什么，也想發(fā)掘一些之前忽視的東西英妓。于是這次挽放，我嘗試通過統(tǒng)計(jì)分析來了解這部小說。
這是一部由2516個(gè)單詞組成的小說蔓纠。小說總字?jǐn)?shù)為26780辑畦。看起來平均每個(gè)單詞出現(xiàn)了10次左右腿倚。
1.首先纯出，我想知道這本書單詞的難易程度。
通常敷燎，越短的單詞越簡(jiǎn)單暂筝，于是我統(tǒng)計(jì)了不同長(zhǎng)度單詞數(shù)量的分布。
占比最多的是3個(gè)字母的單詞硬贯。打開單詞列表焕襟，我發(fā)現(xiàn)這其中大部分是初中詞匯，例如：all, sky, sea饭豹，當(dāng)然也有生僻一些的單詞鸵赖，比如:rig(用具), fin(魚鰭)等。
老人與海中拄衰，4個(gè)字母的單詞只占1/4它褪。為了對(duì)比，我又統(tǒng)計(jì)了60篇雅思閱讀真題的單詞分布肾砂。如下圖列赎，雅思閱讀中，詞長(zhǎng)大于4的單詞占了1/2之多镐确。
這說明老人與海的單詞要比雅思閱讀的容易很多包吝。細(xì)想下也合理，老人與海的內(nèi)容更生活化一些源葫，而雅思閱讀的取材則是科學(xué)美國(guó)人(Scientific American)和經(jīng)濟(jì)學(xué)人(The Economist)這類專業(yè)性較強(qiáng)的文章诗越。
2.然后，我想知道不同單詞在小說中的出現(xiàn)頻率息堂。
于是嚷狞，我又對(duì)比了去重前后的單詞數(shù)量的分布块促。
（去重：相同單詞重復(fù)出現(xiàn)只計(jì)算一次）
紅色為去重前單詞數(shù)量，藍(lán)色為去重后單詞數(shù)量床未。很明顯竭翠，去重前大部分是2-4個(gè)字母的單詞，而去重后薇搁，則大部分是4-7個(gè)字母的單詞斋扰。可見2-4個(gè)字母的單詞雖然少啃洋，但卻被頻繁使用传货，可謂語言中的基石。而另一方面宏娄，超過4個(gè)字母的單詞问裕，單詞越長(zhǎng)，使用次數(shù)越少孵坚。而這些也是學(xué)習(xí)英語時(shí)粮宛，最令我們頭疼的單詞。
3.那最短的和最長(zhǎng)的單詞都是什么呢十饥？
經(jīng)統(tǒng)計(jì)發(fā)現(xiàn)窟勃，1個(gè)字母的單詞只有3個(gè)，卻在小說中出現(xiàn)了907次逗堵。這三個(gè)單詞是：a, i, j秉氧。a和I是當(dāng)之無愧，但j是什么單詞蜒秤？我打開小說汁咏，開始搜索，發(fā)現(xiàn)了原文：“"Tell me aboutthe great JohnJ.McGraw." He said Jota forJ.”原來J是middle name Jota的縮寫作媚。
2個(gè)字母的單詞有35個(gè)攘滩，在小說中出現(xiàn)了4700次。一番觀察纸泡，我發(fā)現(xiàn)了幾個(gè)奇怪的單詞漂问，如va, la等。在小說中搜索la女揭，找到了原文蚤假。原文為：“He always thought of the sea asla marwhich iswhat people call herin Spanish when they love her.”la mar（乍一看以為是那個(gè)死貴的護(hù)膚品牌la mer），原來是西班牙語吧兔，意為the sea(大海)磷仰。
看到這個(gè)詞，我馬上想到了英語中的marine（海洋的境蔼，海軍）灶平。詞源上伺通，marine從拉丁單詞mare（sea）演化而來。而西班牙語是羅曼語逢享，也是latin的分支罐监，所以西班牙語中的mar和英語中的marine都是由拉丁單詞mare變化來的÷髋溃看來學(xué)好詞源笑诅，不只可以幫助學(xué)習(xí)英語，還能融會(huì)貫通其他羅曼語疮鲫。
除了這些，我還很好奇這本書最長(zhǎng)的單詞是哪些弦叶。雖然他們只有2個(gè)俊犯，一共才出現(xiàn)了5次。經(jīng)過統(tǒng)計(jì)伤哺，發(fā)現(xiàn)他們是conscientiously（良心上地）和phosphorescence（磷光）燕侠。第一個(gè)單詞還算正常，至于第二個(gè)單詞立莉，如果你不考gre绢彤，還是忽略它吧。
4.接著蜓耻，我想看看這本小說的長(zhǎng)難句是哪些茫舶。
所以我又統(tǒng)計(jì)了不同長(zhǎng)度語句數(shù)量的分布。
經(jīng)統(tǒng)計(jì)刹淌，整部小說由1918句話組成饶氏。相同長(zhǎng)度的句子被分在一組，一共有63組有勾。由6個(gè)單詞組成的句子是最多的疹启，共140句。
作為一個(gè)被中國(guó)應(yīng)試培養(yǎng)出來的學(xué)生蔼卡，我最關(guān)心的就是長(zhǎng)難句喊崖，畢竟那才是考試的攔路虎。于是我統(tǒng)計(jì)出了最長(zhǎng)的那句話雇逞。這句話由69個(gè)單詞組成荤懂，它是：“After that he began to dream of the long yellow beach and he saw the first of the lions come down onto it in the early dark and then the other lions came and he rested his chin on the wood of the bows where the ship lay anchored with the evening off-shore breeze and he waited to see if there would be more lions and he was happy.”不難看出，這句話雖然長(zhǎng)喝峦，但是由多個(gè)簡(jiǎn)單句組成的復(fù)合句势誊。只要把每個(gè)簡(jiǎn)單句攻克就可以了。
如果你覺得這句話已經(jīng)挺長(zhǎng)了谣蠢，那我們來比較下雅思閱讀中的長(zhǎng)句粟耻。在統(tǒng)計(jì)了60篇雅思閱讀真題后查近，我找到了雅思閱讀中最長(zhǎng)的句子。
這句話來自雅思劍橋8閱讀真題挤忙，這篇閱讀的名稱是“The Nature of Genius”霜威。這句話由118個(gè)單詞組成，長(zhǎng)度幾乎是上一句話的一倍册烈。它是：“In the mythology of giftedness, it is popularly believed that if people are talented in one area, they must be defective in another, that intellectuals are impractical, that prodigies burn too brightly too soon and burn out, that gifted people are eccentric, that they are physical weaklings, that there's a thin line between genius and madness, that genius runs infamilies, that the gifted are so clever they don't need special help, that giftedness is the same as having a high IQ, that some races are more intelligent or musical or mathematical than others, that genius goes unrecognised and unrewarded, that adversity makes men wise or that people with gifts have a responsibility to use them”戈泼。
看完這句話，我覺得海明威友好多了赏僧。
這個(gè)對(duì)比大猛，也在語句層面上證明了老人與海要比雅思閱讀簡(jiǎn)單許多。
5.下一步淀零，為了弄清楚這本小說在說什么挽绩，我嘗試找出最重要的單詞。
在這里驾中，我使用了TF-IDF統(tǒng)計(jì)方法唉堪。這種算法會(huì)給一系列文章中每篇文章的每個(gè)單詞的打分，打分越高肩民，這個(gè)單詞對(duì)這篇文檔越重要唠亚。
為了盡量得到準(zhǔn)確的結(jié)果，我的語料庫(kù)包含了幾十部小說和著作持痰，涵蓋范圍從《血字的研究》灶搜，到《哈姆雷特》，再到《國(guó)富論》共啃。
現(xiàn)在我們來看看統(tǒng)計(jì)結(jié)果占调。
上圖是對(duì)老人與海最重要的40個(gè)單詞。首先吸引我的單詞有：fish ,dolphin(海豚),sardine(沙丁魚),turtle等移剪【可海看著這些詞，我仿佛已經(jīng)潛到了海里纵苛，看著一群群魚兒從身邊游過剿涮。
此外，還出現(xiàn)了boat,oar(槳),mast(桅桿),stern(船尾),tiller(舵柄),harpoon(魚叉)攻人。一個(gè)漁夫劃著小船取试，拿著魚叉盯著海里的畫面已經(jīng)躍然紙上了。sun和breeze(微風(fēng))怀吻，也許意味著有時(shí)天氣還不錯(cuò)瞬浓。
現(xiàn)在我已經(jīng)知道故事發(fā)生的大背景了。但具體發(fā)生了什么蓬坡，我依然云里霧里猿棉。畢竟一部獲得諾貝爾文學(xué)獎(jiǎng)的小說不大可能只是講述漁民輕松愜意的捕魚生活磅叛。
6.為了進(jìn)一步了解故事情節(jié)，我想在時(shí)間軸上重新審視這些單詞萨赁。
于是我使用了另一個(gè)工具：單詞位置分布圖弊琴。
上圖中，藍(lán)色豎條標(biāo)記單詞在文章中出現(xiàn)的位置杖爽。我用紅框?qū)⑿≌f分成了三部分敲董，每部分約9000字，然后用黑框選出了一些位置慰安。
一眼就能發(fā)現(xiàn)fish是全篇的重點(diǎn)腋寨。無疑這是一個(gè)關(guān)于捕魚的故事。
先來看第一部分化焕，密集出現(xiàn)的詞是big和bait精置，也許說明漁民發(fā)現(xiàn)了很大的魚，然后開始準(zhǔn)備放魚餌了锣杂。在第二部分里，頻繁出現(xiàn)了dolphin番宁，難道是漁民想抓海豚元莫？
小說的前兩部分風(fēng)平浪靜，好像沒有什么可圈可點(diǎn)的地方蝶押。
開始看第三部分踱蠢，這部分信息量最大。
首先出現(xiàn)的詞是circle,是魚在繞著船游嗎棋电？接著看茎截，發(fā)現(xiàn)第三部分反復(fù)提到了shark。也許小船遭遇了鯊魚的襲擊赶盔！那漁民的反應(yīng)是怎么樣的呢企锌？
往下找，看到先頻繁出現(xiàn)harpoon(魚叉)于未，然后是knife(刀子)撕攒，難道漁民在向鯊魚反擊？接著烘浦，我發(fā)現(xiàn)了單詞hit抖坪，這個(gè)詞和shark的出現(xiàn)位置高度重合，也許是鯊魚在撞擊小船闷叉，也許是漁民在反擊擦俐。
接著往下看，oar(船槳)和skiff(輕舟)也被反復(fù)提及握侧，也許是深處險(xiǎn)境的漁夫在用船槳擊打鯊魚蚯瞧，也許是他在拼命劃著船想逃離危險(xiǎn)嘿期。
一場(chǎng)激烈的搏斗正在展開，漁夫的命運(yùn)將會(huì)如何状知？
毋庸置疑秽五，用統(tǒng)計(jì)的方法可以更加量化地理解小說。但如果想體會(huì)情節(jié)的精彩饥悴，還是要打開書卷坦喘，逐句品讀。
