散文網(wǎng) » 動畫 »動漫雜談 » 哪個(gè)角色最常用“？”和“！”？邦邦日服現(xiàn)有活動劇情的爬取，及其詞頻分析！（上）

哪個(gè)角色最常用“？”和“！”？邦邦日服現(xiàn)有活動劇情的爬取，及其詞頻分析?。ㄉ希?/h1>

2021-05-14 23:13 作者:涼風(fēng)_青葉 0人讀過 | 我要投稿

? ? ? ??重要※2021/5/15更新

????????程序存在錯(cuò)誤，導(dǎo)致標(biāo)點(diǎn)符號“~”的統(tǒng)計(jì)數(shù)據(jù)存在錯(cuò)誤，已經(jīng)修正。

????????早一些看到這篇文章的同學(xué)，會看到朝日六花說“喜歡（すき）”的頻率是最高的，其實(shí)并不是這樣。六花說“すき”的時(shí)候，大多數(shù)是在叫她的隊(duì)友佐藤益木（“ますきさん”）。去掉這種情況之后，你會發(fā)現(xiàn)六花并不是那么經(jīng)常地說“すき”。同理，六花說敬語的頻率，雖然經(jīng)修正后還是很高，但也是虛高的。這兩個(gè)問題也已經(jīng)修正。

寫在前面

????????邦邦中的誰說了最多的省略號（…）？對于熟悉BanG Dream!企劃的人，即使不做統(tǒng)計(jì)，這也是一個(gè)容易達(dá)成共識的問題。

“……”（所有活動劇情中，白金燐子的臺詞文本中有17.49%的字符是“…”（半個(gè)省略號），是主要角色中最多的）

????????那么：

哪個(gè)角色最經(jīng)常用“？”和“！”？
最常說“好き（喜歡，Suki）”這個(gè)詞的是誰？（并不是香澄，香澄甚至沒進(jìn)前八）
各個(gè)角色平時(shí)會用第二人稱（比如，“你”）嗎？是用“貴方（あなた，Anata）”還是“君（きみ，Kimi）”？

? ? ? ? 為了解答以上問題，本文筆者利用Python和Bestdori，爬取了Bestdori上日服截至目前（2021/5/14）的所有活動劇情，并對其進(jìn)行了詞頻分析。

????????本文僅為簡單的活動劇情文本分析嘗試，意在拋磚引玉。希望有dalao能補(bǔ)充卡面劇情的爬取方法，以及更深入的文本分析（e.g.情感分析）。文末將附活動劇情原始腳本.txt文件和分角色的臺詞.txt文件的打包下載。

????????感謝Bestdori（網(wǎng)站https://bestdori.com）提供了活動劇情文本。

????????感謝UP主“鐵鏟胡桃”（uid=96269928）在以下專欄中提供的爬蟲代碼，本文用到的爬取代碼是在其基礎(chǔ)上稍加改動寫成。

一*、劇情文件的爬取，以及從劇情文件中得到各個(gè)角色的臺詞

二、統(tǒng)計(jì)方法

三、統(tǒng)計(jì)結(jié)果

代碼合集

.txt文件下載

參考資料

一*、劇情文件的爬取，以及從劇情文件中得到各個(gè)角色的臺詞

1.1????劇情文件的爬取

????? ? 利用Bestdori[1]的“故事瀏覽器”功能，可以看到所有的活動劇情腳本的存儲路徑與文件名有共同的格式：“scenario/eventstory/eventxxx_rip/Scenarioeventyyy-zz.asset（xxx、yyy、zz都是數(shù)字，其中xxx和yyy指代部分在xxx是1到9不完全一致，對應(yīng)yyy是01到09）”。利用這一點(diǎn)，即可用Python實(shí)現(xiàn)劇情文件的爬取。具體實(shí)現(xiàn)思路請參考UP主“鐵鏟胡桃”（uid=96269928）的專欄[2]，文章小卡片已經(jīng)附在前“寫在前面”部分。

????????再次感謝UP主“鐵鏟胡桃”的代碼支持和授權(quán)，筆者在ta的代碼基礎(chǔ)上稍作修改，得到了爬取劇情文件的代碼。代碼請見文末“代碼合集”。

1.2????從劇情文件中得到各個(gè)角色的臺詞

? ? ? ? 拿到了原始腳本文件，然后使用記事本打開，會看到這樣一幕：

????????活動劇情腳本存儲的不只是角色臺詞，還有以代碼形式儲存的場景代號、角色站位、角色表情等內(nèi)容。但我們只想要得到各個(gè)角色各自的臺詞，怎么辦？好在所有臺詞部分有固定的格式，因此又可以使用Python程序處理，代碼請見文末“代碼合集”。

二、統(tǒng)計(jì)方法

????????統(tǒng)計(jì)范圍包括現(xiàn)有7個(gè)樂隊(duì)的所有人，其中奧澤美咲和米歇爾算2個(gè)人（很快會解釋為啥），并且加上了CiRCLE的麻里奈桑，共有7×5+2=37個(gè)統(tǒng)計(jì)對象。

????????我們在“一、”中步驟中得到了一些名如“サヨ.txt”“聖墮天使あこ姫.txt”的文件。讀過相應(yīng)劇情的讀者應(yīng)該知道，“サヨ”和“聖墮天使あこ姫”其實(shí)就是冰川紗夜和宇田川亞子（是她們玩NFO的時(shí)候取的ID），等等。我們要把這些“一人多馬甲”的情況分辨出來，?將事實(shí)上是同一人的文本匯總起來。

????????一些有幼年劇情的角色，她們在幼年劇情用的名字并不用漢字書寫（比如“友希那”），而是用平假名書寫（比如“ゆきな”），因此她們幼年時(shí)的臺詞文本也被單獨(dú)分離出來了。考慮到角色在幼年與青少年的性格差異，筆者沒有把幼年文本加入?yún)R總。

????????筆者把奧澤美咲和米歇爾的臺詞文本分開了，因?yàn)榭紤]到這是兩個(gè)不同的“Persona”。后續(xù)的統(tǒng)計(jì)結(jié)果也證實(shí)這一點(diǎn)。

????? ? 這次詞頻統(tǒng)計(jì)包含標(biāo)點(diǎn)符號統(tǒng)計(jì)、部分關(guān)鍵詞統(tǒng)計(jì)、第二人稱統(tǒng)計(jì)3塊內(nèi)容，都比較簡單，用Python編寫程序統(tǒng)計(jì)，代碼請見文末“代碼合集”。

2.1????標(biāo)點(diǎn)符號統(tǒng)計(jì)

????????統(tǒng)計(jì)內(nèi)容包括5種標(biāo)點(diǎn)符號：省略號“…”、問號“？”、嘆號“！”、波浪號“～”，以及日語特有的長音符號“ー”。劇情中有兩種波浪號：“?”“～”。我們會通過程序設(shè)計(jì)，把這兩種波浪號都納入統(tǒng)計(jì)范圍。

????????以下是波浪號在劇情中的應(yīng)用實(shí)例，僅作展示用，為節(jié)省篇幅不提供漢語翻譯。

りみ：わあ～、見て！　桜が満開だよ！

香澄：こんなキレイな景色を見ながら、みんなで帰宅できるなんて…… 私、すっごく幸せだなあ～

沙綾：だね?！摔筏皮狻ⅳ长长螚@は特にキレイだなあ?

——摘自編號1活動《SAKURA＊BLOOMING PARTY!》序章SAKURA*BLOOMING！

2.2????部分關(guān)鍵詞統(tǒng)計(jì)

????????包括了5組關(guān)鍵詞：敬語組、學(xué)習(xí)組、計(jì)劃組、喜悅組、歉意組。還包括2個(gè)單獨(dú)的關(guān)鍵詞：“練習(xí)（練習(xí)，Renshyū）”和“好き（喜歡）”。

????????（2021/5/15 Update: 增加1個(gè)關(guān)鍵詞“別に（并不是/才沒有，Betsuni）”。傲嬌角色經(jīng)常說這個(gè)詞。）

????????敬語組：日語敬語體系中有一類以“～です（Desu）”或“～ます（Masu）”結(jié)尾的“鄭重語”。這里的“敬語組”包括“です”“ます”，以及它們的過去式“でした（Deshita）”“ました（Mashita）”，以及“ます”的否定形式“ません（Masen）”。由于“です”的否定形式“ではありません（Dewa Arimasen）”也有“ません”，所以兩種詞尾的否定形式實(shí)際上用一個(gè)詞就都統(tǒng)計(jì)到了。

????????學(xué)習(xí)組：描述學(xué)習(xí)生活的詞，選取了如表所示的5個(gè)。

????????計(jì)劃組：表現(xiàn)角色計(jì)劃性的詞，選取了如表所示的3個(gè)。

????????喜悅組：表示喜悅、開心意思的詞，以“嬉し（うれし，Ureshi）”“楽し（たのし，Tanoshi）”及其平假名形式計(jì)。注意“嬉し”本身無實(shí)義，而需要經(jīng)過一些變形：形容詞“嬉しい（Ureshii）”，副詞“嬉しく（Ureshiku）”等等。

????????歉意組：表示道歉的詞句，此處以出現(xiàn)了“ごめん（Gomen）”“すみません（Sumimasen）”為準(zhǔn)。較隨意的道歉形式如“わるい（Warui）”“すまんない（Sumannai）”不算。

2.3????第二人稱統(tǒng)計(jì)

????????統(tǒng)計(jì)各個(gè)角色使用的第二人稱，有“貴方/あなた/アナタ（Anata）”“あんた（Anta）”“君/きみ/キミ（Kimi）”“お前/おまえ（Omae）”共9個(gè)。

三、統(tǒng)計(jì)結(jié)果

3.1????標(biāo)點(diǎn)符號統(tǒng)計(jì)

????????數(shù)值為對應(yīng)的標(biāo)點(diǎn)符號字?jǐn)?shù)在文本總字?jǐn)?shù)（即使一個(gè)漢字其實(shí)算2個(gè)字符，Python也把它看成1個(gè)字?jǐn)?shù)）中占有的百分比。每列中最高的8個(gè)數(shù)值為紅色，最低的8個(gè)數(shù)值為綠色。

????????半個(gè)省略號“…”算1個(gè)字?jǐn)?shù)，一整個(gè)完整的省略號“……”就是2個(gè)字?jǐn)?shù)了。

????????數(shù)值為0不等價(jià)于“從未說過”，而是平均每1萬字?jǐn)?shù)中使用個(gè)數(shù)少于0.5個(gè)。

3.2????部分關(guān)鍵詞統(tǒng)計(jì)

????????數(shù)值為對應(yīng)字符串出現(xiàn)次數(shù)/總字?jǐn)?shù)的比值，但是，數(shù)值是千分比，也就是在平均1000字內(nèi)會說幾次對應(yīng)的詞。每列中最高的8個(gè)數(shù)值為紅色，最低的8個(gè)數(shù)值為綠色。

????????數(shù)值為0不等價(jià)于“從未說過”，而是平均每10萬字?jǐn)?shù)中提及次數(shù)少于0.5個(gè)。