Python在数据分析中越来越受欢迎,已经达到了统计学家对R的喜爱程度,Python的拥护者们当然不会落后于R,开发了一个个好玩的数据分析工具,下面我们来看看如何使用Python,来读红楼梦,本文是《用Python读红楼梦》系列文章的第一篇,绘制小说中的词云。
首先当然要导入我们需要用到的包,下面import进来的包,都是我们将在接下来的程序中使用到的包,如果大家还没有安装它们,那么尽快安装它们吧。
import jieba
import numpy
import codecs
import pandas
import matplotlib.pyplot as plt
from wordcloud import WordCloud
接着,要分析词频,就要读取我们的《红楼梦》的文本数据,读取文本,我建议使用codecs包,它可以先通过设置文件的编码,对文件进行读入,这样子就不用边读遍转码了,非常实用。
file = codecs.open("D:\\红楼梦.txt", 'r', 'utf-8')
content = file.read()
file.close()
然后,我们就来分词了,中文分词,当然要用大名鼎鼎的jieba包,下面就是分词的方法。
这里我们需要注意两点:
1、为了提高分词的准确度,我们最好寻找我们分词的词库,这里我下载到了红楼梦的分词库,加载如jieba中,然后再进行分词。
2、对于小说中,一个字的词,基本上算是无用的词,或者说是标点符号,因此这里我直接抛弃了。
jieba.load_userdict('D:\\红楼梦词库.txt');
segments = []
segs = jieba.cut(content)
for seg in segs:
if len(seg)>1:
segments.append(seg);
为了方便统计词频,我们把结果保存在pandas的DataFrame中。
segmentDF = pandas.DataFrame({'segment':segments})
接着我们来移除停用词,停用词包括我们日常的停用词和文言文中的停用词两部分,如下所示:
#移除停用词
stopwords = pandas.read_csv(
"D:\\StopwordsCN.txt",
encoding='utf8',
index_col=False,
quoting=3,
sep="\t"
)
segmentDF = segmentDF[~segmentDF.segment.isin(stopwords.stopword)]
wyStopWords = pandas.Series([
# 42 个文言虚词
'之', '其', '或', '亦', '方', '于', '即', '皆', '因', '仍', '故',
'尚', '呢', '了', '的', '着', '一', '不', '乃', '呀', '吗', '咧',
'啊', '把', '让', '向', '往', '是', '在', '越', '再', '更', '比',
'很', '偏', '别', '好', '可', '便', '就', '但', '儿',
# 高频副词
'又', '也', '都', '要',
# 高频代词
'这', '那', '你', '我', '他',
#高频动词
'来', '去', '道', '笑', '说',
#空格
' ', ''
]);
segmentDF = segmentDF[~segmentDF.segment.isin(wyStopWords)]
从上面的代码我们可以看到,pandas对数据的处理,真的是非常方便,更加方便的还在下面,我们接着来对词频进行统计。
segStat = segmentDF.groupby(
by=["segment"]
)["segment"].agg({
"计数":numpy.size
}).reset_index().sort(
columns=["计数"],
ascending=False
);
segStat.head(100)
到这里,我们基本上可以得到词频了,观察一下下面的词频,贾宝玉当然当之无愧是主角,出现次数基本和换行符一致,哈哈,但是出乎意料的是,贾母,竟然是第二,其实这也难怪,红楼梦,哪个场景没有涉及到贾母的?贾宝玉玩完后,都说要到贾母那里请安或者吃饭的,情理之中。有此可见,最佳女配角,非贾母莫属了。
细心的读者可能也发现了,林黛玉出现的次数,竟然还排在了袭人的后面,其实笔者仔细一想,一点也不奇怪。
首先第一个,林黛玉挂得早,挂得早,出现的次数自然就没有那么多了。
还有另外一个原因,不知道看官们注意到不,贾宝玉和女生滚床单,第一个就是袭人(当然秦可卿是不算的,那纯属是贾宝玉自己梦中YY的),因此,你们懂的。如果大家对贾宝玉的私生活感兴趣,可以看这篇文章《贾宝玉到底和多少人发生过性关系?》
最后要告诉大家的是,黛玉只是林黛玉的昵称,加上妹妹(只是不知道贾宝玉有多少个妹妹咯)和连名带姓的林黛玉的词频,也是超越了袭人的,因此,红楼梦符合广电总局的规定——小三是不能上位的。
segment 计数
14760 宝玉 3762
0 \r\n 3191
35682 贾母 1272
7738 凤姐 1192
34168 袭人 1134
40972 黛玉 1029
27448 王夫人 1015
13833 如今 1002
35130 说道 978
31820 老太太 974
29301 知道 973
36077 起来 955
14062 姑娘 949
7858 出来 932
4769 众人 872
821 一面 828
13305 太太 825
13686 奶奶 810
10094 只见 791
14774 宝钗 789
2211 两个 771
25441 没有 767
1737 不是 743
1828 不知 702
10940 听见 692
35734 贾琏 689
37195 进来 632
11053 告诉 605
2151 东西 603
16508 平儿 590
... ... ...
15894 屋里 286
37827 邢夫人 286
23866 林黛玉 278
15735 尤氏 277
39074 问道 275
28961 看见 271
14016 妹妹 270
1800 不用 265
9373 原来 258
40507 香菱 256
200 一句 255
15032 家里 254
1646 不得 254
248 一声 253
33649 薛蟠 253
14223 媳妇 249
8269 到底 247
36880 这会子 246
37178 进去 246
14033 姊妹 243
8129 别人 240
11753 回去 237
36611 过去 236
22448 明儿 236
21774 方才 233
40871 麝月 233
2446 丫鬟 233
37290 连忙 232
17554 心中 230
14200 婆子 225
为了更加方便地观察数据,我们使用词云的工具,来绘制词云,通过词云,我们可以更加方便简单地查看词频。
#绘画词云
wordcloud = WordCloud(
font_path='D:\\simhei.ttf',
background_color="black"
)
plt.figure(num=None, figsize=(1000, 600), dpi=800, facecolor='w', edgecolor='k')
wordcloud = wordcloud.fit_words(segStat.head(1000).itertuples(index=False))
plt.imshow(wordcloud)
plt.close()
好了,这个就是用Python来看红楼梦的第一篇文章,如果你觉得这个系列的文章值得期待,欢迎关注笔者微博@大数据分析实战,欲知后续如何分析,请听下回分解。