科技猎文本可视化(二)——《今生今世》人物关系可视化python实现
作者：Sinte-Beuve
接上篇： 文本可视化（一）——《今生今世》词云生成与小说分析
在文本可视化[一]——《今生今世》词云生成与小说分析一文中，我使用了jieba分词和wordcloud实现了，文本关键词的提取并生成词云，同时也尝试直接提取人名关键词来绘制。这次我们换一种方式——通过分析人物之间的关系，而不是人物在文本集中的频率来绘制一张复杂网络图，如下所示。数据经过可视化后还是非常有趣的。下面就讲讲人物关系网图的实过程。
用到的工具
-
jieba
jieba分词，最好用的开源中文分词工具。他最主要的两个功能是分词和关键词的抽取。在 文本可视化[一]——《今生今世》词云生成与小说分析 使用了关键词抽取，在这里我们需要用他的分词功能来提取文本中的人名。 -
gephi
gephi是一个开源的复杂网络数据可视化软件，可用于探索数据分析、链路分析、社交网络分析、生物网络分析等。我们需要把数据处理成gephi可接受的csv格式，然后再进行绘制。
数据处理方式
在词云中，我们只能通过词的大小来了解该词对于文本集是否起关键作用，无法探究人物之间的关系；在关系网图中，不仅可以了解词的关键程度，还能发现人物之间的联系，更能说明问题。
由此可见，绘制词云时，我们只需要提取两列数据，一列人名，一列为频率。而绘制网络图时，就需要两组数据。网络图，顾名思义，就是一张图。所有的图都是由节点和边构成的。节点数据也就是节点值+权重，边数据就是出度+入度+权重。
对应到本文的例子中来，我们是来绘制《今生今世》中的任务关系网。具体的处理方式如下：
- 对文本进行针对性分词，统计人物在本文中的出场次数。
- 以段落为单位进行划分，统计每段中的人物，两两配对后计数，形成粗略的人物关系统计。
- 数据为gephi特定的csv格式，人物出场次数输出为格式为（Id,Label,Weight），人物关系输出格式为（Source,Target,Weigh）。这也就是之前所说的，用来绘制图的节点和边数据。
可能存在的问题
根据上文描述的统计方法来进行统计显然是粗略的，有很多问题需要进一步考量。
- 以自然段为单位统计人物关系是否合理？真实情况中有很多跨段落的人物关系。
- 显然利用笛卡尔积来统计人物之间的关系也是有问题的。
- 人物之前的称呼仅仅是直呼姓名的吗？显然还有多种代词，这里我将文本中的“我”也一并提取出来作为《今生今世》的中心人物——胡兰成。
结果虽然是粗略的，但是通过对文本的理解，绘制的图依然有一定的参考意义。
实现流程
代码实现分为三步，1. 人物出场次数统计。2. 人物关系统计。3. 格式化输出。
准备工作
准备两份字典，用于分词。
-
文本人物字典
文本人物字典包含了文本中的大部分人名，或者说是我们关心的人物的人名。
-
人物别称映射字典
民国时期的散文，势必每个人会有多个称呼，在文化人中甚多。蕊生、我、兰成、胡先生指代的都是胡兰成。因此需要一个映射字典，将不同的称呼都映射到同一个人名当中。
定义文件路径常量和初始化全局变量
TEXT_PATH = '../jsjs.txt' # 文本路径
DICT_PATH = 'person.txt' # 人物字典路径
SYNONYMOUS_DICT_PATH = 'synonymous_dict.txt' # 同义词路径
SAVE_NODE_PATH = 'node.csv'
SAVE_EDGE_PATH = 'edge.csv'
'''
person_counter是一个计数器，用来统计人物出现的次数。{'a':1,'b':2}
person_per_paragraph每段文字中出现的人物[['a','b'],[]]
relationships保存的是人物间的关系。key为人物A，value为字典，包含人物B和权值。
'''
person_counter = defaultdict(int) # 人物出场次数计数器
person_per_paragraph = []
relationships = {}
synonymous_dict = {}
人物出场次数统计
具体实现方式可以看代码注释。
def count_person(self):
'''
统计人物出场次数，添加每段的人物
:return:
'''
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\r\n') # 获取干净的name_list
for p in paragraphs:
jieba.load_userdict(self._dict_path)
# 分词，为每一段初始化新字典
poss = jieba.cut(p)
self._person_per_paragraph.append([])
for w in poss:
# 判断是否在姓名字典以及同义词区分
if w not in name_list:
continue
if synonymous.get(w):
w = synonymous[w]
# 往每段中添加人物
self._person_per_paragraph[-1].append(w)
# 初始化人物关系，计数
if self._person_counter.get(w) is None:
self._relationships[w] = {}
self._person_counter[w] += 1
return self._person_counter
人物关系统计
def calc_relationship(self):
'''
统计人物关系权值
:return:
'''
print("start to process edge")
# 遍历每一段落，笛卡尔积形式，统计人物关系
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
格式化输出
def save_node_and_edge(self):
'''
根据dephi格式保存为csv
:return:
'''
with codecs.open(SAVE_NODE_PATH, "a+", "utf-8") as f:
f.write("Id,Label,Weight\r\n")
for name, times in self._person_counter.items():
f.write(name + "," + name + "," + str(times) + "\r\n")
with codecs.open(SAVE_EDGE_PATH, "a+", "utf-8") as f:
f.write("Source,Target,Weight\r\n")
for name, edges in self._relationships.items():
for v, w in edges.items():
if w > 3:
f.write(name + "," + v + "," + str(w) + "\r\n")
print('save file successful!')
输出结果如下图所示。
完整代码参考github
接下来就可以把数据导入到gephi中生成人物关系网图了。
gephi的使用
gephi和之前使用的wordcloud不同，wordcloud仅仅是一个python的库，直接通过函数调用就可以绘制图片。gephi是一个可视化的应用程序。
需要在https://gephi.org/ 下载windows版的安装包进行安装。打开后如下图所示。
接下来就可以进行网图的绘制了。
1. 新建工程，导入数据
- 新建工程
- 选择数据资料tab，点击输入数字表格，添加节点和边的csv数据。
2.调整相关的样式
点击概览调整相关样式。可以通过度，权重等信息修改相关的样式。
3. 修改字体，显示相应的标签
4. 选择一个自动化布局的方式，预览，再调整相关参数
5. 最终点击左下角导出图片
上面简单描述了下生成网图的过程。gephi具体的使用方式可以去查看官网的教程。
End.
转载请注明来自36大数据（36dsj.com)： 36大数据 » 文本可视化(二)——《今生今世》人物关系可视化python实现