Python、R对小说进行文本挖掘和层次聚类可视化分析案例

相关视频

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') +

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) +

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) +

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) +

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。