python自然语言处理技术分析辰东的《完美世界》

本篇文章的灵感主要来源于网上各种各样的关于自然语言分析的教程。曾记得我N年前读过《完美世界》。突然有种想分析其人物关系的冲动。当然现在我已经对里面主人公忘得一干二净,正好排除外界因素来检测文本处理人物关系是否正确。

  首先介绍一下本篇文章的主要内容。第一步先统计小说里面出现的TOP20高频词。第二步就绘制一个关于小说的高频词词云。第三步则绘制人物关系图(CP图)

第一步

  首先先说明一点由于本次处理的是中文的小说。所以要先做一些预处理不然很容易出现乱码、中文不显示等错误。这个方法可以通用到中文处理的操作上。

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']

  最后两行代码可以通用哦。这是对中文正常在图中显示的惯用方法。同时也通过上述代码把我们需要用到的python库导入。
  同时处理中文还有一个比较麻烦的地方就是需要进行分词。众所周知中文段落处理是要进行分词的。因为大部分一个字是没有含义的。譬如“我不喜欢麻烦”。我们需要利用分词技术把这句话切分为“我 不 喜欢 麻烦”。等价于英文的“i dont like trouble”。理解了这层含义之后我们就可以愉快地进行分词了。此处我采用的是jieba工具。具体代码如下所示:

# 导入停用词
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()
# 导入词库字典
jieba.load_userdict('C:/Users/john/Downloads/完美世界.txt')
# 分词
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)

  上述代码原理很简单,如果各位爷看不懂的话强烈建议认真读一下jieba的文档(反正有中文版本,而且在中文处理很常用。读不了吃亏读不了上当)
  接下来就是统计词频了。此处我采用的是collections库中的Counter函数。

# 统计词频
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('小说词频统计:')
    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()

  可得下图所示:


词频统计.jpg

  石昊的出现次数超过35000。这绝逼是男主。其他之所以出现很多无意义的词主要是因为我停用词没有特别针对该部小说。所以才出现很多无意义的词进入TOP20了(譬如‘出手’,‘一道’,‘真的’)。
  接下来就是高频词云了:

# 词汇云
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()

  通过上述代码可绘制出如下词云:

高频词云.jpg

  汉字越大说明该汉字在小说中出现的次数越多。通过该词云可知“石昊”和“小不点”出现次数都很多。好像“石昊”外号是“小不点”吧。。。我不太确定。
  做到这一步之后就是激动地CP图环节了。由于我单纯的特特特想要知道男主人公有几个媳妇。。。。。所以我就做了这张CP图。。该图主要采用工具gephi绘制。以及人物名TXT文档完美世界词条(需要自己处理)。当然前期需要做一些数据处理。
此处用到的工具是

cp=pd.read_csv('C:/Users/john/Downloads/人物2.txt',encoding='utf8',engine='python',names=['cp'])['cp'].tolist()
# CP图设计
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('正在读取第{}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)

  这样我们就成功绘制出来CP图了。效果如下:


完美世界截图.jpg

  从CP图里可以知道男主人公石昊和清漪以及月婵是有一腿的。同时清漪和月婵关系应该比较好。(因为两人有连线)所以这俩人应该是主人公的正牌媳妇。但是有一个叫做云曦的应该也是和石昊有什么暧昧关系的。。。。但是应该和前两位女子不熟或者没有多少往来。
  求读过该小说的老司机可以评价一下我分析的是否正确。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,491评论 5 459
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,856评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,745评论 0 319
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,196评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,073评论 4 355
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,112评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,531评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,215评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,485评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,578评论 2 309
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,356评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,215评论 3 312
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,583评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,898评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,174评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,497评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,697评论 2 335

推荐阅读更多精彩内容

  • 原创作者、微信公众号:沧迹悬崖 上一章: 来生再见吧 第九章 灵小鱼 - 简书 “呵,还知...
    沧迹悬崖阅读 390评论 4 3
  • String类的特点: 字符串对象一旦被初始化就不会被改变。"abc"存储在字符串常量池中。池中没有就建立,池中有...
    吃瓜群众liu阅读 211评论 0 0
  • 一个眉毛蓬乱,牙齿乌黑的女妖怪。据传说,她住在荒凉的古宅里,她为了预防有人来访,会不停的化妆。她还因为劳累过度,两...
    画师昊渊阅读 1,416评论 2 7
  • 马上要过年了,有木有想过带娃出去看看?那焖烧杯这个“移动电饭锅”你可千万不要错过喔! 说起焖烧杯,用焖烧杯煮...
    5iSuSan阅读 11,311评论 2 4
  • 我看,人生就是“科目三”,为何?请听我娓娓道来。 上车准备: 考试的时候你要做好各项准备,那你迎接生活中的各项挑战...
    悲伤繞指渘阅读 635评论 0 1