前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >小蛇学python(12)分析《今生今世》人物关系图谱

小蛇学python(12)分析《今生今世》人物关系图谱

作者头像
用户2145057
发布2018-09-12 15:24:23
1.9K4
发布2018-09-12 15:24:23
举报

《今生今世》是渣男胡兰成所写的一部自传体小说。今天我们就来分析一下在他所写的自传中的人物关系图谱,分析一下胡兰成到底和多少女人有关系。

代码奉上

代码语言:javascript
复制
# -*- coding: utf-8 -*-
#@author: Yuhao Zhang
#2018.5.30

import jieba
import codecs
from collections import defaultdict
from pandas import DataFrame
import pandas as pd

#路径设置。
#文档介绍
#jsjs.txt是胡兰成写的小说《今生今世》。
#person.txt是一个语料库,里面放了很多该小说的角色名称。
#synonymous_dict.txt是角色的别名
#其他两个文件是存放程序计算所得各个人物关系之间的边的权重
TEXT_PATH = 'jsjs.txt'
DICT_PATH = 'person.txt'
SYNONYMOUS_DICT_PATH = 'synonymous_dict.txt'
SAVE_NODE_PATH = 'node.csv'
SAVE_EDGE_PATH = 'edge.csv'

#类的初始化
class RelationshipView:
    def __init__(self, text_path, dict_path, synonymous_dict_path):
        self._text_path = text_path
        self._dict_path = dict_path
        self._synonymous_dict_path = synonymous_dict_path
        self._person_counter = defaultdict(int)
        self._person_per_paragraph = []
        self._relationships = {}
        self._synonymous_dict = {}

    def generate(self):
        self.count_person()
        self.calc_relationship()
        self.save_node_and_edge()

    def synonymous_names(self):
        with codecs.open(self._synonymous_dict_path, 'r', 'utf-8') as f:
            lines = f.read().split('\n')
        for l in lines:
            self._synonymous_dict[l.split(' ')[0]] = l.split(' ')[1]
        return self._synonymous_dict

    def get_clean_paragraphs(self):
        new_paragraphs = []
        last_paragraphs = []
        with codecs.open(self._text_path, 'r', 'utf-8') as f:
            paragraphs = f.read().split('\r\n')
            paragraphs = paragraphs[0].split('\u3000')
        for i in range(len(paragraphs)):
            if paragraphs[i] != '':
                new_paragraphs.append(paragraphs[i])
        for i in range(len(new_paragraphs)):
            new_paragraphs[i] = new_paragraphs[i].replace('\n', '')
            new_paragraphs[i] = new_paragraphs[i].replace(' ', '')
            last_paragraphs.append(new_paragraphs[i])
        return last_paragraphs

    def count_person(self):
        paragraphs = self.get_clean_paragraphs()
        synonymous = self.synonymous_names()
        print('start process node')
        with codecs.open(self._dict_path, 'r', 'utf-8') as f:
            name_list = f.read().split(' 10 nr\n')
        for p in paragraphs:
            jieba.load_userdict(self._dict_path)
            poss = jieba.cut(p)
            self._person_per_paragraph.append([])
            for w in poss:
                if w not in name_list:
                    continue
                if synonymous.get(w):
                    w = synonymous[w]
                self._person_per_paragraph[-1].append(w)
                if self._person_counter.get(w) is None:
                    self._relationships[w] = {}
                self._person_counter[w] += 1
        return self._person_counter

    def calc_relationship(self):
        print("start to process edge")
        for p in self._person_per_paragraph:
            for name1 in p:
                for name2 in p:
                    if name1 == name2:
                        continue
                    if self._relationships[name1].get(name2) is None:
                        self._relationships[name1][name2] = 1
                    else:
                        self._relationships[name1][name2] += 1
        return self._relationships

    def save_node_and_edge(self):
        excel = []
        for name, times in self._person_counter.items():
            excel.append([])
            excel[-1].append(name)
            excel[-1].append(name)
            excel[-1].append(str(times))
        data = DataFrame(excel, columns=['Id', 'Label', 'Weight'])
        data.to_csv('node.csv', encoding='gbk')

        excel = []
        for name, edges in self._relationships.items():
            for v, w in edges.items():
                if w > 3:
                    excel.append([])
                    excel[-1].append(name)
                    excel[-1].append(v)
                    excel[-1].append(str(w))
        data = DataFrame(excel, columns=['Source', 'Target', 'Weight'])
        data.to_csv('edge.csv', encoding='gbk')

        print('save file successful!')

if __name__ == '__main__':
    v = RelationshipView(TEXT_PATH, DICT_PATH, SYNONYMOUS_DICT_PATH)
    v.generate()

先将代码全部贴出来,大家复制粘贴即可运行,接下来我再慢慢得一行一行仔细讲解代码逻辑。

先把程序运行效果图贴出来。

基础关系图谱

恋人关系图谱

设计思想

整个程序的实现过程是这样的。

首先,我们预先准备好语料库。(里面含有小说主人公姓名以及别名,这样做的目的降低了程序的难度,不然还要涉及到知识图谱的实体识别。有关知识图谱的东西我最近在看,以后会写这方面博客)

然后我们将这篇将近三十万字的小说按段落分开,对每一段进行单独分析,对两个实体之间的边的权重进行计算。具体的说,它的权重是如何计算的呢?比如第一段我们结合语料库发现里面有三个胡兰成,一个张爱玲,一个周佛海。那么我们就给胡兰成和张爱玲之间的边权重更新为3,张爱玲和周佛海之间更新为1,胡兰成和周佛海之间更新为3。然后将每个段落的每两个点之间的权重加和,最后写入excel表中保存为csv格式。这是为了方便使用Gephi可视化。

当然同时我们也进行了节点大小的计算,其实就是单纯计算这个实体名字在文中出现的次数。比如胡兰成出现了5752次,那么它在可视化图中的大小你可以理解为5752个单位这么大。

node.csv

edge.csv

代码详解

我只讲我认为最难懂的部分,一些我认为简单的如果你不懂可以私信评论我都可以,我一般会很快回复。

我认为最难懂的就是count_person()函数中的一部分,当然这一部分也可以说是精华。

代码语言:javascript
复制
        for p in paragraphs:
            jieba.load_userdict(self._dict_path)
            poss = jieba.cut(p)
            self._person_per_paragraph.append([])
            for w in poss:
                if w not in name_list:
                    continue
                if synonymous.get(w):
                    w = synonymous[w]
                self._person_per_paragraph[-1].append(w)
                if self._person_counter.get(w) is None:
                    self._relationships[w] = {}
                self._person_counter[w] += 1
        return self._person_counter

首先在一个将小说每段作为一个字符串元素的列表paragraphs中循环,也就是说p是小说中的每一段。

然后在加载了语料库之后,对该段进行结巴分词,并将该段分词结果存在poss列表中。如果语料库中的实体在poss中可以找的到,那么我们就从存储别名字典中依据这个实体来找他的唯一名字(因为有可能是别名,我们要统一换成真正的姓名进行加权)。

get()是字典这个类型所有的属性,在该段代码中体现为,判断该字典中有无含有以w为key的元素。

大家也许会疑惑,为何self._person_counter是一个字典呢?这源于程序一开头的一行代码。

代码语言:javascript
复制
self._person_counter = defaultdict(int)

想要理解这个defaultdict的作用,将我下面贴出来的这几行代码敲进去试试就知道了。它其实起到一个给字典的值设置一个默认值的快捷方式。

代码语言:javascript
复制
from collections import defaultdict

person = defaultdict(int)

test_list = ['胡兰成', '张爱玲', 'Bob', 'Bob', 'Nick', '胡兰成']

for p in test_list:
    person[p] += 1
print(person)

可视化

可视化我是用到了Gephi这个软件。

PS下载这个软件需要用到java组件,需要下载一个jre,听过来人一句劝告,千万不要下载最新的那个10的那个版本。

然后就是Gephi简单的使用教程。放几张网图,大家学习一下。

新建工程

导入数据

选择样式

修改字体

调整布局

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018.05.30 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
灰盒安全测试
腾讯知识图谱(Tencent Knowledge Graph,TKG)是一个集成图数据库、图计算引擎和图可视化分析的一站式平台。支持抽取和融合异构数据,支持千亿级节点关系的存储和计算,支持规则匹配、机器学习、图嵌入等图数据挖掘算法,拥有丰富的图数据渲染和展现的可视化方案。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档