好吧，你懂了：我喜欢音乐和电视剧。 您可能不知道我是一个固执的读者。 我无法列出我一生中读过的所有书籍，但我可以回答这个问题，您最喜欢哪本书？ 。
这是加百列·加西亚·马尔克斯（GabrielGarcíaMárquez ）的一百年孤独 。 这本书有一百年的寂寞：它包含了您所需要的一切，或者都不包含，它是一部非常出色的小说，它的内容实际上是无限的，它是时间的定义。 而且，它代表了我的孤独。
几天前我在法国发现了一个非常不错的版本。 我再也看不懂了，但好奇心总是杀死猫，所以我想知道是否有可能通过某种文本分析的意义来分析它 。
我做到了，有这篇文章。 让我们跳到简介！
介绍
我使用两种分析方法对本书进行了分析，即文本分析和某种图论分析 。 前者是通过对书中的文字进行分析而构成的，将单词作为分析的基本要素。 后者使用前者来创建图表（或网络 ），以建模书籍中字符之间的交互。
在开始之前，请先声明：本文不代表对所暴露问题的科学处理。 它只会带来很多好奇心。
数据
开始之前，我们需要一些东西。 是的，您猜得很好：我们需要某种文本格式的书。 我们要求Google回答：这是一个.txt文件，其中包含原始书籍的英文翻译。
文本挖掘是使用Python和nltk库进行的。 matplotlib和Tableau进行了可视化。 该图是使用networkx库和Gephi进行可视化制作的。
该方法的主要步骤如下：
- 阅读本书并使用python和nltk将其标记化，
- 使用相同的工具进行文字分析
- 在提取的有关字符的信息的顶部构建一个图形。
该代码在Github上可用。
文本分析
让我们从文本分析开始，那就是获取所有文本，将其吐到计算机上，看看是否有东西出来 。 看来确实出现了一些有趣的事情！
符号，单词，词汇丰富性
一个简单的问题：这本书包含多少个符号，全部和不同的单词？ 马尔克斯（Márquez）为这本书的最后草稿按了打字机809644的键。 一百年的寂寞包含144739个单词，不同单词的数量为11027 。 超过11k个不同的单词！
我们可以提取一个很好的量度，称为词汇丰富度 ，它是不同单词数与总单词数之比。 在这种情况下，我们有0.07618540959934779 ，这意味着所有不同的词代表整个文本的7.6％ ！
单词分散
马尔克斯将他的作品命名为“ 百年孤独” 。 它可能会让您认为孤独一词在文本中出现很多。 我们可以通过识别单词在整个文本中的分散性来找到它。 我是好奇者，所以我尝试找出其他四个单词，分别是时间 ， 爱 ， 生与死 。
该图显示了单词在文本中的分散情况。 凭直觉，蓝线表示出现在书中该部分的词，其他情况除外。 从情节中我们可以看到，古老的狐狸Márquez确实很少使用孤独，但是却使读者陷入了时间的概念，实际上在整本书中都使用了这个词。 此外，从布恩迪亚（Burendía）第五代末期到本书结尾，我们都将爱视为主要主题。
哈帕克斯豆豆
嗯…什么？ hapax legomena是一个单词，在整个上下文中仅在整个语言的书面记录，作者的作品或单个文本中出现一次。
一百年的寂静包含4741 hapax legomena。 这是随机抽取的其中50个：
肩章，心烦意乱，文明，动机，元帅，领域，嘴，鄙视，秘书，咨询，虎钳，四十七岁，修改，鹦鹉，三十五岁，危害，飞行最高，顺服，希望，拒绝，明智地，沃尔特，仔猪，罐头，美味佳肴，痴呆症，港口，圣杯，减轻的，段落，谜语，小屋，亚历山大，关闭，完善，通奸，马蹄，药房，踢踏舞，织物。
搭配
嗯…什么？ 我是计算机科学家，加油！ 并置是单词或术语的序列，其出现的频率比偶然期望的要高。
在“ 一百年的孤独”中 ，我们发现以下搭配：
joséarcadio，aureliano segundo，aureliano上校，aurelianobuendía，arcadiobuendía，gerineldomárquez，圣诞老人sofía，pietro crespi，petra cotes； 彼拉特内特拉，杰里内尔多上校，阿尔卡迪奥·塞贡多，阿马兰塔·乌苏拉，板栗树，香蕉公司，毛里西奥巴比龙尼亚，阿波里那尔莫斯科人，父亲尼卡诺尔，普鲁登西奥·阿吉拉尔很多年。
网络分析
好吧，现在我们很开心！ 这种分析背后的思想是通过网络 （图表）对“ 一百年孤独”的字符之间的关系进行建模。
在开始之前，我们定义什么是图形以及字符之间的关系是什么。
网络只是一组通过某种关系在它们之间连接的对象。 例如，您，我的亲爱的读者和您的朋友们建立了一个网络：您是由过去的经验，共同的利益等联系在一起的实体。在整篇文章中，我可以将这些实体称为顶点 ，并将关系称为边 。
关于角色之间的关系：我们无法自动提取各种关系。 我们说字符A和B之间是否存在关系，即文本中是否出现了A和B ，而B从出现A开始最多出现30个单词。 此外，我只考虑了至少具有一种相互作用的角色。
哦，天哪，我们有一个图表！
你在等它！ 这是模拟一百年孤独字符关系的图形：
