用Python来理一理红楼梦里的那些关系

今天，我们一起用 Python 来理一理红楼梦里的那些关系。

不要问我为啥是红楼梦，而不是水浒三国或西游，因为我也坚定地认为，红楼才是无可争议的中国古典小说只巅峰，且不接受反驳！而红楼梦也是我多次反复品读的为数不多的小说，对它的感情也是最深的。

好了，不酸了，开干。

数据准备

1. 红楼梦 TXT 文件一份

2. 金陵十二钗 + 贾宝玉 人物名称列表

人物列表内容如下：

宝玉 nr  
黛玉 nr  
宝钗 nr  
湘云 nr  
凤姐 nr  
李纨 nr  
元春 nr  
迎春 nr  
探春 nr  
惜春 nr  
妙玉 nr  
巧姐 nr  
秦氏 nr  

这份列表，同时也是为了做分词时使用，后面的 nr 就是人名的意思。

数据处理

读取数据并加载词典

    with open("红楼梦.txt", encoding='gb18030') as f:  
        honglou = f.readlines()  
    jieba.load_userdict("renwu_forcut")  
    renwu_data = pd.read_csv("renwu_forcut", header=-1)  
    mylist = [k[0].split(" ")[0] for k in renwu_data.values.tolist()]

这样，我们就把红楼梦读取到了 honglou 这个变量当中，同时也通过 load_userdict 将我们自定义的词典加载到了 jieba 库中。

对文本进行分词处理并提取

tmpNames = []  
    names = {}  
    relationships = {}  
    for h in honglou:  
        h.replace("贾妃", "元春")  
        h.replace("李宫裁", "李纨")  
        poss = pseg.cut(h)  
        tmpNames.append([])  
        for w in poss:  
            if w.flag != 'nr' or len(w.word) != 2 or w.word not in mylist:  
                continue  
            tmpNames[-1].append(w.word)  
            if names.get(w.word) is None:  
                names[w.word] = 0  
            relationships[w.word] = {}  
            names[w.word] += 1  

• 首先，因为文中"贾妃", “元春”，“李宫裁”, “李纨” 混用严重，所以这里直接做替换处理。

• 然后使用 jieba 库提供的 pseg 工具来做分词处理，会返回每个分词的词性。

• 之后做判断，只有符合要求且在我们提供的字典列表里的分词，才会保留。

• 一个人每出现一次，就会增加一，方便后面画关系图时，人物 node 大小的确定。

• 对于存在于我们自定义词典的人名，保存到一个临时变量当中 tmpNames。

处理人物关系

    for name in tmpNames:  
        for name1 in name:  
            for name2 in name:  
                if name1 == name2:  
                    continue  
                if relationships[name1].get(name2) is None:  
                    relationships[name1][name2] = 1  
                else:  
                    relationships[name1][name2] += 1

对于出现在同一个段落中的人物，我们认为他们是关系紧密的，每同时出现一次，关系增加1.

保存到文件

    with open("relationship.csv", "w", encoding='utf-8') as f:  
        f.write("Source,Target,Weight\n")  
        for name, edges in relationships.items():  
            for v, w in edges.items():  
                f.write(name + "," + v + "," + str(w) + "\n")  
  
    with open("NameNode.csv", "w", encoding='utf-8') as f:  
        f.write("ID,Label,Weight\n")  
        for name, times in names.items():  
            f.write(name + "," + name + "," + str(times) + "\n")

• 文件1：人物关系表，包含首先出现的人物、之后出现的人物和一同出现次数

• 文件2：人物比重表，包含该人物总体出现次数，出现次数越多，认为所占比重越大。

制作关系图表

使用 pyecharts 作图

def deal_graph():  
    relationship_data = pd.read_csv('relationship.csv')  
    namenode_data = pd.read_csv('NameNode.csv')  
    relationship_data_list = relationship_data.values.tolist()  
    namenode_data_list = namenode_data.values.tolist()  
  
    nodes = []  
    for node in namenode_data_list:  
        if node[0] == "宝玉":  
            node[2] = node[2]/3  
        nodes.append({"name": node[0], "symbolSize": node[2]/30})  
    links = []  
    for link in relationship_data_list:  
        links.append({"source": link[0], "target": link[1], "value": link[2]})  
  
    g = (  
        Graph()  
        .add("", nodes, links, repulsion=8000)  
        .set_global_opts(title_opts=opts.TitleOpts(title="红楼人物关系"))  
    )  
    return g  

• 首先把两个文件读取成列表形式

• 对于“宝玉”，由于其占比过大，如果统一进行缩放，会导致其他人物的 node 过小，展示不美观，所以这里先做了一次缩放

最后得出的关系图

关于Python学习指南

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

包括：Python激活码+安装包、Python web开发，Python爬虫，Python数据分析，人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python！

👉Python所有方向的学习路线👈

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。（全套教程文末领取）

👉Python学习视频600合集👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

温馨提示：篇幅有限，已打包文件夹，获取方式在：文末

👉Python70个实战练手案例&源码👈

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉Python大厂面试资料👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉Python副业兼职路线&方法👈

学好 Python 不论是就业还是做副业赚钱都不错，但要学会兼职接单还是要有一个学习规划。

👉 这份完整版的Python全套学习资料已经上传，朋友们如果需要可以扫描下方CSDN官方认证二维码或者点击链接免费领取【保证100%免费】