PYTHON、R对小说文本挖掘正则表达式分析案例

原文链接：http://tecdat.cn/?p=5673

原文出处：拓端数据部落公众号

 

《第二十二条军规》是美国作家约瑟夫·海勒创作的长篇小说，该小说以第二次世界大战为背景，通过对驻扎在地中海一个名叫皮亚诺扎岛（此岛为作者所虚构）上的美国空军飞行大队所发生的一系列事件的描写，揭示了一个非理性的、无秩序的、梦魇似的荒诞世界。我喜欢整本书中语言的创造性使用和荒谬人物的互动。本文对该小说进行文本挖掘和可视化。

 

数据集

该文有大约175,000个单词，分为42章。我在网上找到了这本书的原始文本版本。

我使用正则表达式和简单字符串匹配的组合在Python中解析文本。

我shiny在R中以交互方式可视化这些数据集。

地理图

 geo<- catch22[( geo$Time > chapters[1]) & ( geo$Time < (chapters[2] + 1)),]
  paths_sub <-  paths[( paths$time > chapters[1]) & ( paths$time < (chapters[2] + 1)),]
  
  # 绘图
  p <- ggplot() + borders("world", colour="black", fill="lightyellow") + 
    ylab(NULL) + xlab(NULL) +

 # 仅在有条件的情况下尝试绘制位置和路径

  if (nrow( geo_sub) != 0) {
     p + geom_point(data= geo_sub, aes(x = Lon, y = Lat), size=3, colour='red') +
      geom_point(data= paths_sub[1,], aes(x = lon, y = lat), size=3, colour='red') +
      geom_path(data= paths_sub, aes(x = lon, y = lat, alpha=alpha), size=.7, 

可视化映射了整本书中提到的地中海周围位置。 

人物章节关系

ggplot(catch22, aes(x=Chapter, y=Character, colour=cols)) +
      geom_point(size=size, shape='|', alpha=0.8) +
      scale_x_continuous(limits=c(chapters[1],(chapters[2] + 1)), expand=c(0,0), breaks=(1:42)+0.5, labels=labs) +
      ylab(NULL) + xlab('Chapter') +
      theme(axis.text.x = element_text(colour = "black", angle = 45, hjust = 1, vjust=1.03),
            axis.text.y = element_text(colour = "black"),
            axis.title.x = element_text(vjust=5),
            plot.title = element_text(vjust=1)) +

该图基本上代表了书中提到不同人物的序列。 

我将数据绘制为标准散点图，章节为x轴（因为它与时间相似），人物为离散y轴。

 

人物共现矩阵

ggplot(coloca, aes(x=Character, y=variable, alpha=alpha)) + 
    geom_tile(aes(fill=factor(cluster)), colour='white') + 
    ylab(NULL) + xlab(NULL) +
    theme(axis.text.x = element_text(colour = "black", angle = 45, hjust = 1, vjust=1.03),
          axis.text.y = element_text(colour = "black"),
          axis.ticks.y = element_blank(),
          axis.ticks.x = element_blank(),
          panel.grid.minor = element_line(colour = "white", size = 1),
          panel.grid.major = element_blank()) +
    scale_fill_manual(values = cols, guide = FALSE) +
    scale_alpha_continuous(guide = FALSE)

用于构建此可视化的数据与前一个中使用的数据完全相同，但需要进行大量的转换。 

聚类为此图添加了另一个维度。在整本书上应用层次聚类，以尝试在角色中找到社群。使用AGNES算法对字符进行聚类。对不同聚类方案进行人工检查发现最优聚类，因为更频繁出现的角色占主导地位最少。这是六个簇的树形图：

    ag <- agnes(cat2[,-1], method="complete", stand=F)
    # 从树状图中切出聚类
    cluster <- cutree(ag, k=clusters)

应该注意，聚类是在整个文本上执行的，而不是章节。按聚类排序会将角色带入紧密的社区，让观众也可以看到角色之间的某些交互。

特色词

 ggplot( pos2, aes(Chapter, normed, colour=Word, fill=Word)) + 
      scale_color_brewer(type='qual', palette='Set1', guide = FALSE) +
      scale_fill_brewer(type='qual', palette='Set1') +
      scale_y_continuous(limits=c(0,y_max), expand=c(0,0)) +
      ylab('Relative Word Frequency') + xlab('Chapter') +

堆叠条形图更好地显示了单词所在的章节。

 

结论

我在这个过程中学到了很多东西，无论是在使用方面，还是在shiny。