本篇文章的靈感主要來(lái)源于網(wǎng)上各種各樣的關(guān)于自然語(yǔ)言分析的教程。曾記得我N年前讀過(guò)《完美世界》细疚。突然有種想分析其人物關(guān)系的沖動(dòng)躁垛。當(dāng)然現(xiàn)在我已經(jīng)對(duì)里面主人公忘得一干二凈，正好排除外界因素來(lái)檢測(cè)文本處理人物關(guān)系是否正確洲鸠。
??首先介紹一下本篇文章的主要內(nèi)容堂淡。第一步先統(tǒng)計(jì)小說(shuō)里面出現(xiàn)的TOP20高頻詞馋缅。第二步就繪制一個(gè)關(guān)于小說(shuō)的高頻詞詞云。第三步則繪制人物關(guān)系圖（CP圖）
第一步
??首先先說(shuō)明一點(diǎn)由于本次處理的是中文的小說(shuō)绢淀。所以要先做一些預(yù)處理不然很容易出現(xiàn)亂碼萤悴、中文不顯示等錯(cuò)誤。這個(gè)方法可以通用到中文處理的操作上皆的。
import pandas as pd
import numpy as np
import jieba
import wordcloud
from PIL import Image
import matplotlib.pyplot as plt
import seaborn as sns
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']
??最后兩行代碼可以通用哦覆履。這是對(duì)中文正常在圖中顯示的慣用方法。同時(shí)也通過(guò)上述代碼把我們需要用到的python庫(kù)導(dǎo)入费薄。
??同時(shí)處理中文還有一個(gè)比較麻煩的地方就是需要進(jìn)行分詞硝全。眾所周知中文段落處理是要進(jìn)行分詞的。因?yàn)榇蟛糠忠粋€(gè)字是沒(méi)有含義的楞抡。譬如“我不喜歡麻煩”伟众。我們需要利用分詞技術(shù)把這句話切分為“我 不 喜歡 麻煩”。等價(jià)于英文的“i dont like trouble”召廷。理解了這層含義之后我們就可以愉快地進(jìn)行分詞了凳厢。此處我采用的是jieba工具。具體代碼如下所示：
# 導(dǎo)入停用詞
stop_words=pd.read_csv('C:/Users/john/Downloads/stopwords.txt',engine='python',error_bad_lines=False,encoding='utf-8',names=['StopWords'])['StopWords'].tolist()
f=open('C:/Users/john/Desktop/完美世界.txt',encoding='utf-8').read()
# 導(dǎo)入詞庫(kù)字典
jieba.load_userdict('C:/Users/john/Downloads/完美世界.txt')
# 分詞
def cut_document(f):
return[w for w in jieba.cut(f) if w not in stop_words and len(w)>1]
cut_doc=cut_document(f)
??上述代碼原理很簡(jiǎn)單竞慢，如果各位爺看不懂的話強(qiáng)烈建議認(rèn)真讀一下jieba的文檔（反正有中文版本先紫，而且在中文處理很常用。讀不了吃虧讀不了上當(dāng)）
??接下來(lái)就是統(tǒng)計(jì)詞頻了梗顺。此處我采用的是collections庫(kù)中的Counter函數(shù)泡孩。
# 統(tǒng)計(jì)詞頻
font2 = {'family' : 'Times New Roman',
'weight' : 'normal',
'size' : 30,
}
from collections import Counter
def get_count(txt):
c=Counter()
for x in cut_doc:
c[x]+=1
print('小說(shuō)詞頻統(tǒng)計(jì)：')
doc_name=[]
doc_counter=[]
for (k,v) in c.most_common(20):
doc_name.append(k)
doc_counter.append(v)
return doc_name,doc_counter
doc_name,doc_counter=get_count(cut_doc)
figure=plt.figure(figsize=(32,32))
plt.tick_params(labelsize=23)
sns.barplot(doc_name,doc_counter,palette="husl")
plt.title('TOP 20',font2)
plt.ylabel('count',font2)
sns.despine(bottom=True)
plt.show()
??可得下圖所示：
??石昊的出現(xiàn)次數(shù)超過(guò)35000。這絕逼是男主寺谤。其他之所以出現(xiàn)很多無(wú)意義的詞主要是因?yàn)槲彝Ｓ迷~沒(méi)有特別針對(duì)該部小說(shuō)仑鸥。所以才出現(xiàn)很多無(wú)意義的詞進(jìn)入TOP20了（譬如‘出手’，‘一道’变屁，‘真的’）眼俊。
??接下來(lái)就是高頻詞云了：
# 詞匯云
from scipy.misc import imread
import scipy
print(scipy.__version__)
fig=plt.figure(figsize=(16,16))
cloud=wordcloud.WordCloud(font_path='C:/Windows/Fonts/FZSTK.TTF',mask=imread('C:/Users/john/Downloads/1111.png'),mode='RGBA',background_color=None).generate(' '.join(cut_doc))
plt.imshow(cloud)
plt.axis('off')
plt.show()
??通過(guò)上述代碼可繪制出如下詞云：
??漢字越大說(shuō)明該漢字在小說(shuō)中出現(xiàn)的次數(shù)越多。通過(guò)該詞云可知“石昊”和“小不點(diǎn)”出現(xiàn)次數(shù)都很多粟关。好像“石昊”外號(hào)是“小不點(diǎn)”吧疮胖。。闷板。我不太確定澎灸。
??做到這一步之后就是激動(dòng)地CP圖環(huán)節(jié)了。由于我單純的特特特想要知道男主人公有幾個(gè)媳婦遮晚。性昭。。县遣。糜颠。所以我就做了這張CP圖汹族。。該圖主要采用工具gephi繪制其兴。以及人物名TXT文檔完美世界詞條(需要自己處理)顶瞒。當(dāng)然前期需要做一些數(shù)據(jù)處理。
此處用到的工具是
cp=pd.read_csv('C:/Users/john/Downloads/人物2.txt',encoding='utf8',engine='python',names=['cp'])['cp'].tolist()
# CP圖設(shè)計(jì)
import codecs
import jieba.posseg as pseg
names={}
relationships={}
linenames=[]
jieba.load_userdict('C:/Users/john/Downloads/人物.txt')
with codecs.open('C:/Users/john/Desktop/完美世界.txt','r','utf-8') as f:
n=0
for line in f.readlines():
n+=1
# print('正在讀取第{}行'.format(n))
poss=pseg.cut(line)
linenames.append([])
for w in poss:
if w.flag!='nr' or w.word not in cp or len(w.word)<2 or len(w.word)>3:
continue
linenames[-1].append(w.word)
if names.get(w.word) is None:
names[w.word]=0
relationships[w.word]={}
names[w.word]+=1
for line in linenames:
for name1 in line:
for name2 in line:
if name1==name2:
continue
if relationships[name1].get(name2) is None:
relationships[name1][name2]=1
else:
relationships[name1][name2]=relationships[name1][name2]+1
node = pd.DataFrame(columns=['Id','Label','Weight'])
edge = pd.DataFrame(columns=['Source','Target','Weight'])
for name,times in names.items():
node.loc[len(node)]=[name,name,times]
for name,edges in relationships.items():
for v,w in edges.items():
if w>3:
edge.loc[len(edge)]=[name,v,w]
edge.to_csv('C:/Users/john/Downloads/edge(原).csv',index=0)
node.to_csv('C:/Users/john/Downloads/node(原).csv',index=0)
??這樣我們就成功繪制出來(lái)CP圖了元旬。效果如下：
??從CP圖里可以知道男主人公石昊和清漪以及月嬋是有一腿的榴徐。同時(shí)清漪和月嬋關(guān)系應(yīng)該比較好。（因?yàn)閮扇擞羞B線）所以這倆人應(yīng)該是主人公的正牌媳婦法绵。但是有一個(gè)叫做云曦的應(yīng)該也是和石昊有什么曖昧關(guān)系的箕速。。朋譬。。但是應(yīng)該和前兩位女子不熟或者沒(méi)有多少往來(lái)兴垦。
??求讀過(guò)該小說(shuō)的老司機(jī)可以評(píng)價(jià)一下我分析的是否正確徙赢。
