用Python讀紅樓
最近受到這篇文章用Python讀金庸武俠的啟發(fā)。作為古典文（zhuang）學(xué)（bi）青年打却，一定要用Python來(lái)試試我讀了20年的《紅樓夢(mèng)》。
首先從網(wǎng)上找到了紅樓夢(mèng).txt（不清楚版本接癌，可能是程甲版）和對(duì)應(yīng)的人物表应媚。
把人名加入詞庫(kù)，然后用結(jié)巴分詞切分整個(gè)文章（我沒(méi)有區(qū)分前八十回和后四十回）鲁冯，加入gensim的訓(xùn)練中
def tranning():
with open('hlm.txt') as f:
data = [line.strip()
for line in f.readlines()
if line.strip()]
sentences = []
for line in data:
words = list(jieba.cut(line))
sentences.append(words)
model = gensim.models.Word2Vec(sentences,
size=100,
window=5,
min_count=5,
workers=4)
return model
訓(xùn)練生成一個(gè)以詞向量表示詞的模型拷沸，下面就用代碼來(lái)找找和寶釵相似的人物吧。
for k, s in model.most_similar(positive=["寶釵"]):
print('{}:{}'.format(k, s))
探春:0.9595787525177002
紫鵑:0.9429049491882324
黛玉:0.9325058460235596
林黛玉:0.9230709075927734
李紈:0.9200501441955566
湘云:0.9067497253417969
襲人:0.9052997827529907
薛姨媽:0.9024999737739563
賈璉:0.899409294128418
寶玉:0.8973875045776367
電腦認(rèn)為探春和寶釵的相似度最高薯演，回想起第五十六回《敏探春興利除宿弊 賢寶釵小惠全大體》撞芍，都是治家的好手，算是有點(diǎn)道理跨扮。
但是這個(gè)第二相似的是紫鵑序无，為什么不是襲人？看來(lái)還是沒(méi)讀懂衡创？
第三名是黛玉帝嗡，這個(gè)不奇怪，所謂“釵黛一體”璃氢，紅學(xué)家論述很多哟玷。（這里說(shuō)明一下，因?yàn)槟壳斑€沒(méi)法把黛玉和林黛玉這兩個(gè)名字合為一個(gè)人一也，可能結(jié)果有些偏差）
下面用相似關(guān)系的來(lái)試試
find_relationship(model, '黛玉', '紫鵑', '寶玉')
給定“黛玉”與“紫鵑”碗降，“寶玉”和“平兒”有類似的關(guān)系
我本意是晴雯或者襲人吧，不過(guò)這里平兒亂入塘秦，是不是說(shuō)明了寶玉的一些小心思，呵呵动看，耐人尋味尊剔。
下面用K-Means算法，來(lái)聚類試試
類別1：
賈敬, 賈珠, 賈寶玉, 賈琮, 賈菌, 賈芹, 賈菖, 賈菱, 巧姐兒, 王子騰,
王仁, 王熙鳳, 薛寶釵, 林妹妹, 賈蓉之妻, 甄寶玉, 綺霰, 檀云, 茜雪, 春燕,
墜兒, 四兒, 佳蕙, 待書(shū), 入畫(huà), 彩屏, 翠墨, 蓮花兒, 珍珠, 玻璃,
翡翠, 小紅, 金釧, 玉釧, 彩霞, 素云, 翠縷, 寶珠, 小螺, 傻大姐,
焦大, 李貴, 鋤藥, 墨雨, 來(lái)旺, 隆兒, 昭兒, 喜兒, 王信, 齡官,
蕊官, 藕官, 寶官, 文官, 葵官, 空空道人, 甄士隱, 小童, 神瑛侍者, 警幻仙子,
賈雨村, 封肅, 冷子興, 林如海, 李嬤嬤, 門子, 馮淵, 拐子, 劉氏, 板兒,
青兒, 周瑞, 智能, 詹光, 吳新登, 秦業(yè), 金氏, 戴權(quán), 張材家的, 水溶,
凈虛, 趙嬤嬤, 程日興, 花自芳, 多渾蟲(chóng), 卜世仁, 倪二, 馬道婆, 周姨娘, 蔣玉菡,
云兒, 張道士, 傅試, 宋嬤嬤, 鮑二家的, 金文翔, 柳湘蓮, 賴尚榮, 邢岫煙, 李嬸娘,
李紋, 李綺, 胡君榮, 烏進(jìn)孝, 女先兒, 夏婆子, 柳家的, 佩鳳, 尤三姐, 尤老娘,
張華, 俞祿, 秋桐, 喜鸞, 王善保家的, 邢德全, 孫紹祖, 王一貼,
類別2：
黛玉, 寶釵, 賈政, 賈璉, 賈母, 寶玉, 王夫人, 鳳姐, 薛姨媽, 邢夫人,
尤氏, 李紈, 劉姥姥, 襲人, 晴雯, 麝月, 紫鵑, 鴛鴦, 平兒,
類別3：
賈赦, 賈珍, 賈環(huán), 賈瑞, 賈蓉, 賈蘭, 賈薔, 賈蕓, 史湘云, 薛蟠,
薛蝌, 林黛玉, 香菱, 妙玉, 趙姨娘, 秋紋, 司棋, 雪雁, 琥珀, 鶯兒,
豐兒, 彩云, 寶蟾, 茗煙, 焙茗, 興兒, 芳官, 周瑞家的, 秦鐘, 馮紫英,
賴大, 林之孝, 林之孝家的, 尤二姐,
看見(jiàn)類別2都是主角菱皆，類別3是配角须误，類別1就是跑龍?zhí)椎牧?/p>
再采用層級(jí)聚類的方式
得到如下的圖
這幅圖綠色的線都是主角，有些聚類比較準(zhǔn)確仇轻，比如賈政京痢、賈赦屬于兄弟倆。
藕官篷店、小紅祭椰、春燕臭家、墜兒都在丫頭的分類里面。
有些比較搞笑方淤，薛姨媽和李紈歸為一類钉赁，難道因?yàn)槎际枪褘D的緣故嗎（:-D）？
薛蟠和妙玉分在一類携茂，這是什么鬼你踩？難道預(yù)示了妙玉"無(wú)瑕白玉遭泥陷"的結(jié)局嗎？
以上就是我的分析, gensim都是初學(xué),就一個(gè)小時(shí)讳苦，一個(gè)新的紅學(xué)家就誕生了带膜，??
需要代碼的請(qǐng)看這里 (https://github.com/JoeCao/PythonHLM)
嚴(yán)肅的來(lái)說(shuō)，因?yàn)榧t樓夢(mèng)屬于明清小說(shuō)鸳谜，行文有很多和現(xiàn)代文不一樣的地方膝藕，結(jié)巴分詞不能很好的切詞，導(dǎo)致學(xué)習(xí)效果比較差卿堂。
以上分析純屬逗樂(lè)束莫，不能當(dāng)真。
