书籍分析实例：哈利波特的分词及人物关系

作者：文建华，小文的数据之旅，数据分析爱好者，不想当码农的伪码农。博客：zhihu.com/c_188462686

先简单介绍一下jieba中文分词包，jieba包主要有三种分词模式：

• 精确模式：默认情况下是精确模式，精确地分词，适合文本分析；

• 全模式：把所有能成词的词语都分出来, 但是词语会存有歧义；

• 搜索引擎模式：在精确模式的基础上，对长词再次切分，适合用于搜索引擎分词。

jieba 包常用的语句：

• 精确模式分词：jieba.cut(text,cut_all = False)，当cut_all = True时为全模式

• 自定义词典：jieba.load_userdict(file_name)

• 增加词语：jieba.add_word(seg,freq,flag)

• 删除词语：jieba.del_word(seg)

《哈利·波特》是英国作家J·K·罗琳的奇幻文学系列小说，描写主角哈利·波特在霍格沃茨魔法学校7年学习生活中的冒险故事。下面将以《哈利波特》错综复杂的人物关系为例，实践一下jieba包。

#加载所需包import numpy as npimport pandas as pdimport jieba,codecsimport jieba.posseg as pseg  #标注词性模块from pyecharts import Bar,WordCloud#导入人名、停用词、特定词库renmings = pd.read_csv('人名.txt',engine='python',encoding='utf-8',names=['renming'])['renming']stopwords = pd.read_csv('mystopwords.txt',engine='python',encoding='utf-8',names=['stopwords'])['stopwords'].tolist()book = open('哈利波特.txt',encoding='utf-8').read()jieba.load_userdict('哈利波特词库.txt')#定义一个分词函数def words_cut(book):    words = list(jieba.cut(book))    stopwords1 = [w for w in words if len(w)==1]  #添加停用词    seg = set(words) - set(stopwords) - set(stopwords1) #过滤停用词，得到更为精确的分词    result = [i for i in words if i in seg]    return result#初次分词bookwords = words_cut(book)renming = [i.split(' ')[0] for i in set(renmings)] #只要人物名字，出掉词频以及词性nameswords = [i for i in bookwords if i in set(renming)]  #筛选出人物名字#统计词频bookwords_count = pd.Series(bookwords).value_counts().sort_values(ascending=False)nameswords_count = pd.Series(nameswords).value_counts().sort_values(ascending=False)bookwords_count[:100].index

image

经过初次分词之后，我们发现大部分的词语已经ok了，但是还是有小部分名字类的词语分得不精确，比如说’布利’、’罗恩说’、’伏地’、’斯内’、’地说’等等，还有像’乌姆里奇’、’霍格沃兹’等分成两个词语的。

#自定义部分词语jieba.add_word('邓布利多',100,'nr')jieba.add_word('霍格沃茨',100,'n')jieba.add_word('乌姆里奇',100,'nr')jieba.add_word('拉唐克斯',100,'nr')jieba.add_word('伏地魔',100,'nr')jieba.del_word('罗恩说')jieba.del_word('地说')jieba.del_word('斯内')#再次分词bookwords = words_cut(book)nameswords = [i for i in bookwords if i in set(renming)]bookwords_count = pd.Series(bookwords).value_counts().sort_values(ascending=False)nameswords_count = pd.Series(nameswords).value_counts().sort_values(ascending=False)bookwords_count[:100].index

image

再次分词之后，我们可以看到在初次分词出现的错误已经得到修正了，接下来我们统计分析。

#统计词频TOP15的词语bar = Bar('出现最多的词语TOP15',background_color = 'white',title_pos = 'center',title_text_size = 20)x = bookwords_count[:15].index.tolist()y = bookwords_count[:15].values.tolist()bar.add('',x, y,xaxis_interval = 0,xaxis_rotate = 30,is_label_show = True)bar

image

整部小说出现最多的词语TOP15中出现了哈利、赫敏、罗恩、邓布利多、魔杖、魔法、马尔福、斯内普和小天狼星等字眼。

我们自己串一下，大概可以知道《哈利波特》的主要内容了，就是哈利在小伙伴赫敏、罗恩的陪伴下，经过大法师邓布利多的帮助与培养，利用魔杖使用魔法把大boss伏地魔k.o的故事。当然啦，《哈利波特》还是非常精彩的。

#统计人物名字TOP20的词语bar = Bar('主要人物Top20',background_color = 'white',title_pos = 'center',title_text_size = 20)x = nameswords_count[:20].index.tolist()y =nameswords_count[:20].values.tolist()bar.add('',x, y,xaxis_interval = 0,xaxis_rotate = 30,is_label_show = True)bar

image

整部小说按照出场次数，我们发现哈利作为主角的地位无可撼动，比排名第二的赫敏远超13000多次，当然这也是非常正常的，毕竟这本书是《哈利波特》，而不是《赫敏格兰杰》。

#整本小说的词语词云分析name = bookwords_count.index.tolist()value = bookwords_count.values.tolist()wc = WordCloud(background_color = 'white')wc.add("", name, value, word_size_range=[10, 200],shape = 'diamond')wc

#人物关系分析names = {} relationships = {} lineNames = []with codecs.open('哈利波特.txt','r','utf8') as f:    n = 0    for line in f.readlines():         n+=1        print('正在处理第{}行'.format(n))        poss = pseg.cut(line)        lineNames.append([])        for w in poss:            if w.word in set(nameswords):                lineNames[-1].append(w.word)                if names.get(w.word) is None:                    names[w.word] = 0                    relationships[w.word] = {}                 names[w.word] += 1for 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]+ 1node = 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]

处理之后，我们发现同一个人物出现了不同的称呼，因此合并并统计，得出88个节点。

node.loc[node['Id']=='哈利','Id'] = '哈利波特'node.loc[node['Id']=='波特','Id'] = '哈利波特'node.loc[node['Id']=='阿不思','Id'] = '邓布利多'node.loc[node['Label']=='哈利','Label'] = '哈利波特'node.loc[node['Label']=='波特','Label'] = '哈利波特'node.loc[node['Label']=='阿不思','Label'] = '邓布利多'edge.loc[edge['Source']=='哈利','Source'] = '哈利波特'edge.loc[edge['Source']=='波特','Source'] = '哈利波特'edge.loc[edge['Source']=='阿不思','Source'] = '邓布利多'edge.loc[edge['Target']=='哈利','Target'] = '哈利波特'edge.loc[edge['Target']=='波特','Target'] = '哈利波特'edge.loc[edge['Target']=='阿不思','Target'] = '邓布利多'nresult = node['Weight'].groupby([node['Id'],node['Label']]).agg({'Weight':np.sum}).sort_values('Weight',ascending = False)eresult = edge.sort_values('Weight',ascending = False)nresult.to_csv('node.csv',index = False)eresult.to_csv('edge.csv',index = False)

有了节点node以及边edge后，通过gephi对《哈利波特》的人物关系进行分析：

image

（节点的大小表示人物的出场次数，线的粗细表示人物之间的交往关系）

原著是一个有趣的人,若有侵权,请通知删除