【原】Python、R对小说进行文本挖掘和层次聚类可视化分析案例

原文链接：http:///?p=5673

《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

1. 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。