源 / 数据团学社文/ 聚聚
有这样一部网文~火遍大江南北,人物形象饱满,现实世界、网游世界、职业联赛三个世界线并行,且不同世界线之间互动丰富、交叉紧密,还号称网文界的“CP百科全书”~它就是《全职高手》!
当然,情节这么丰富的文自然篇幅不会小~洋洋洒洒500w字,怕不是要让诸多读者望而生畏~我,为了帮助广大读者理清人物关系,决心和大家一起通过先进的技术手段,用文本挖掘的方式提取网文内容,选出优质的网文作品!!~
▼
工具准备:jieba分词
为了提取小说中的关键词,我们需要一个工具——jieba分词。名字很形象哈,结…巴~!来看看怎么用~
i.导入jieba包,写一句话,作为分词的素材。
1import jieba
2txt = "大夏天的,开着空调,吃着西瓜,刷着微信,敲着代码,别提有多酸爽!"
ii.直接使用jieba的cut()方法,对句子进行分词处理,返回的是一个生成器。只要是生成器,就可以用遍历来读取。
1txt_cut = jieba.cut(txt)
2print(txt_cut) #这里是一个生成器,可以通过遍历来解析
iii.用斜杠分隔被解析出来的词汇,看看结果如何。
1result = ("/".join(txt_cut)) #字符串join()方法用于将序列中的元素以指定的字符连接生成一个新的字符串。
2print(result)
额…马马虎虎吧,虽然没啥大毛病,但有些不应该被拆的词被拆了,而有些词却应该拆分展示。这怎么办呢?
iv. 人工添加词汇作为词库,提高拆分准确率。方法是jieba.add_word()
1#添加词库,提高分词准确性
2jieba.add_word(word="吃着")
3jieba.add_word(word="刷着")
4jieba.add_word(word="敲着")
5jieba.add_word(word="酸爽")
v.把这几个词添加入词库,那么它们就不会被拆分了。来看一下效果:
1txt_cut = jieba.cut(txt)
2result2 = ("/".join(txt_cut))
3print(result2)
4"大/夏天/的/,/开着/空调/,/吃着/西瓜/,/刷着/微信/,/敲着/代码/,/别提/有/多/酸爽/!
比刚才好多了,所有的词都能够准确提炼了。但是,句子中有一些元素,比如标点符号,介词,助词等,分析时候我并不需要,我得把它们给剔除了。
vi.写一个条件判断删除不需要的词。结果完美!
1#去除停用词
2txt_cut = jieba.cut(txt)
3result3 = [w forw intxt_cut ifw notin["的","有","多","大",",","!"]]
4print(result3)
5["夏天", "开着", "空调", "吃着", "西瓜", "刷着", "微信", "敲着", "代码", "别提", "酸爽"]
好了,基本用法介绍到这里~我们进行实战操作。
▼
实战操作:分析素材准备
《全职高手》这部网文可是当下最火的”IP”!
i.作品原文:
去除分析中不必要的字词,我在网上找到这个:
ii. 一份停用词表
停用词是指在信息检索中,为节省存储空间和提高搜索效率,在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词,这些字或词即被称为Stop Words(停用词)。
停用词表部分内容展示
每部小说都有一些特殊的词汇,为提高分词准确性,我们还需要特殊词库:
iii.一份小说特殊词库
搜狗细胞词库可以下载小说对应的词库
网址:https://pinyin.sogou.com/dict/
iv.用词库转换器,把细胞词库转换成txt文本格式,便于处理。
原文、停用词表、特殊词库都准备好了~开始写代码!~
▼
代码编辑:计算关键词频
i. 先导入一些会用到的模块
1importnumpy asnp
2importpandas aspd
3importjieba
4importwordcloud
5fromscipy.misc importimread
6importmatplotlib.pyplot asplt
7frompylab importmpl
8importseaborn assns
9mpl.rcParams["font.sans-serif"] = ["SimHei"] # 指定默认字体
10mpl.rcParams["axes.unicode_minus"]
ii. 导入停用词,转换为列表格式。
1stop_list = pd.read_csv("./停用词.txt",engine="python",
2encoding="utf-8",names=["t"])["t"].tolist()
iii. 导入小说原文(这里需要运行约30秒,小说字太多有500W)
1f= open("./全职高手.txt",encoding="utf-8").read()
iv.导入词库字典,这里词很多,用load_userdict()方法批量导入,而不用前文jieba介绍中的jieba.add_word()方法
1jieba.load_userdict("dict.txt")
v. 设置一个分词功能的函数,并对小说进行分词
1deftxt_cut(f):
2return[w forw injieba.cut(f) ifw notinstop_list andlen(w)>1]
3
4txtcut = txt_cut(f)
vi. 分词完毕,我们对小说的词频取前二十进行简单统计,画出柱状图方便查看
1word_count = pd.Series(txtcut).value_counts().sort_values(ascending=False)[0:20]
2
3fig = plt.figure(figsize=(15,8))
4x = word_count.index.tolist()
5y = word_count.values.tolist()
6sns.barplot(x, y, palette="BuPu_r")
7plt.title("词频Top20")
8plt.ylabel("count")
9sns.despine(bottom=True)
10plt.savefig("./词频统计.png",dpi=400)
11plt.show()
统计结果图&表大致是这样的~
注意到“叶修”这个词,词频高达2W,可以据此推断,他就是本书的男主角;又据说这本书是一部关于游戏的小说,那么词频排名第二的“君莫笑”,应该就是主人公的游戏角色。
作为资深读者的我,看到眼前二十个高频词,就已经可以推断出这部小说的剧情了!~来!我给大家造个句:
▼
可视化展示:词云图
下面,再来玩个有趣的东西:对高频词汇画个词云图。
i.实例化一个词云类,然后添加分词。
1fig = plt.figure(figsize=(15,5))
2cloud = wordcloud.WordCloud(font_path="./FZSTK.TTF",
3mask = imread("./background.png"),
4mode="RGBA",
5background_color=None
6).generate(" ".join(txtcut))
类的属性介绍下:
Font_path:词云中词的字体,中文词汇必须用中文字体,否则显示会异常。字体文件,大家可以在电脑中字体文件夹中找喜欢的。Mask:遮罩,设置词云图案的形状。可以导入图片设置,图片要简单,以面为主,清晰度无所谓,但分辨率一定要调高,否则做出的词云会很不清晰。图片主体不能是纯白色,因为白色被认为是背景,会被忽略识别。这里我导入一张全职高手的Logo。
Mode:颜色模式,这里选择RGBA。
Background_color:背景颜色。
ii.对词的颜色做点美化
这里用到了scipy和numpy两个库的功能。我们要导入描绘底色的图片,图片尺寸要大于等于遮罩图片的分辨率。计算机会根据底色图的颜色映射到词语图上。所以底色图同样不求清晰,但颜色饱和度要高,对比度要明显!这样效果才好。
1img = imread("./color.png")
2cloud_colors = wordcloud.ImageColorGenerator(np.array(img))
3cloud.recolor(color_func=cloud_colors)
我选了一张全职高手的全家福。
iii.调用matplotlib接口,做一些基本设置。
1plt.imshow(cloud)
2plt.axis("off")
3plt.savefig("./wordcloud.png",dpi=400)
4plt.show()
绘制完成!见证奇迹吧!
▼
人物关系:CP图
还记得一开始我说《全职高手》是一部CP百科全书吗?我们继续深入挖掘一下文中的人物关系,给他们组一组CP。
挖掘逻辑如下:
遍历文本每一行,再提取每一行中出现的人物,如果两个人物同时出现在同一行,那么他们之间人物关系密切度+1,最后,密切度最高的为最佳CP。
首先需要对词库进行一些完善,筛选出哪些词是人名
字典结构是这样的,一个词占一行,有【词,词频,词性】词频我们暂时无需关注,写个1代替。词性,我只要甄别出人名,所以,小说中的人名统一设成nr,其余的词,偷个懒,设成n(nr代表人名,n代表名词。其他词性含义可查看词性对照表)
i. 新开一个脚本,导入模块。
1importjieba,codecs
2importjieba.posseg aspseg
3importpandas aspd
codecs库:用来读取文本时,防止文本编码不统一,造成错误;
jieba.posseg:分词后显示词性。
ii. 建立三个容器用于转换数据。
1names= {} #提取的人名,和出现的频数。
2relationships= {} #提取的人物关系。
3lineNames= []#每一行提取的人名,做缓存处理。
iii. 导入词库和文本
遍历文本每一行进行分词。排除词性不为nr,长度大于3小于2的所有词汇(通常人物名字为两个字和三个字)。
iv. 将符合要求的词汇分别添加入容器中
1jieba.load_userdict("dict.txt")
2with codecs.open("全职高手.txt","r","utf8") asf:
3n = 0
4forlinein f.readlines():
5n+=1
6print("正在读取第{}行".format(n))
7poss = pseg.cut(line)
8lineNames.append([])
9forwin poss:
10ifw.flag != "nr"orlen(w.word) < 2orlen(w.word) > 3:
11#排除词性不为nr,长度大于3小于2的所有词汇
12continue
13lineNames[-1].append(w.word)#以行为组,保存每行所提取的人名
14ifnames.get(w.word) isNone:
15names[w.word] = 0
16relationships[w.word] = {} #把所涉及的人名作为键添加入关系字典
17names[w.word] += 1#频数+1
v. 遍历lineNames,对每一行出现的人名进行匹配,建立人物关系
1for line in lineNames:
2 for name1 in line:
3 for name2 in line:
4 if name1 == name2:#名称相同,排除
5 continue
6 if relationships[name1].get(name2) is None:
7 relationships[name1][name2]= 1#对于新的人物关系,生成新的键值对。
8 else:
9 relationships[name1][name2] = relationships[name1][name2]+ 1
10 #对于已有的人物关系,密切度+1
我们最终会把人物关系通过Gephi进行模拟。而Gephi构建关系网络,需要特定格式的数据。
Gephi是一款开源免费跨平台基于JVM的复杂网络分析软件,,其主要用于各种网络和复杂系统,动态和分层图的交互可视化与探测开源工具。
vi. 这里先构建两个数组,用于归类点数据和边数据
1node= pd.DataFrame(columns=["Id","Label","Weight"])
2edge= pd.DataFrame(columns=["Source","Target","Weight"])
vii. 把清洗好的数据添加进数组中
1forname,times in names.items():
2node.loc[len(node)] = [name,name,times]
3
4forname,edges in relationships.items():
5forv, win edges.items():
6ifw> 3:
7edge.loc[len(edge)] = [name,v,w]
viii. 导出数据待用
1edge.to_csv("./edge(原).csv",index=0)
2node.to_csv("./node(原).csv",index=0)
脚本编写完毕,运行一下看看。小说一共有206436行,所以,需要计算一段时间:
只分析关系密切的CP,所以我们只取边数据中权重在100以上的数据。按照这个标准,整理点数据和边数据如下::
最后,我们把数据导入Gephi。
根据对美的认知,调一调颜色和布局。
好了,CP图出现了!
嗯嗯!挺有意思的!人物关系真是复杂得不得了!这里忍不住要剧透了!
叶陈CP:叶修是战队队长,全权负责战队经营。陈果是战队老板娘,霸气侧漏。两人类似于总裁和总经理的关系吧。~~哎,这不是妥妥的霸道总裁爱上我的剧情嘛。叶唐CP:唐柔是富家千金,才女。不过,不小心让叶修带坏了,迷恋上了打游戏。两人算是师徒和队友关系吧。啧啧~叶苏CP:这个厉害了!叶修从前认识个兄弟,叫苏沐秋,两人一起打游戏。苏沐秋有个妹妹叫苏沐橙。后来,苏沐秋死了……贵圈真乱啊!
好了,剧透结束。其实,大家有兴趣的话,可以导入更多的数据,然后根据关系网络中簇群的颜色继续研究……
那么,本次分享到此结束!希望大家少看网文,多多学习~!
-END-
转载声明:本文转载自「数据团学社」,搜索「metrodata_xuexi」即可关注。