아마추어 언어 처리 100 개 노크 : 39

언어 처리 100개 노크 2015 의 도전 기록입니다. 환경은 Ubuntu 16.04 LTS + Python 3.5.2::Anaconda 4.1.1 (64-bit)입니다. 과거 노크 목록은 여기

제4장: 형태소 해석

나츠메 소세키의 소설 「고배는 고양이이다」의 문장(neko.txt)을 MeCab를 사용해 형태소 해석해, 그 결과를 neko.txt.mecab라는 파일에 보존하라. 이 파일을 사용하여 다음 질문에 해당하는 프로그램을 구현하십시오.

문제 37, 38, 39는 matplotlib 또는 Gnuplot을 사용할 수 있습니다.

39. Zipf의 법칙

단어의 출현 빈도 순위를 가로축, 그 출현 빈도를 세로축으로, 양 대수 그래프를 플롯하라.

완성된 코드:

main.py

# coding: utf-8
import MeCab
from collections import Counter
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties

fname = 'neko.txt'
fname_parsed = 'neko.txt.mecab'


def parse_neko():
    '''「吾輩は猫である」を形態素解析
    「吾輩は猫である」(neko.txt)を形態素解析してneko.txt.mecabに保存する
    '''

    with open(fname) as data_file, \
            open(fname_parsed, mode='w') as out_file:

        mecab = MeCab.Tagger()
        out_file.write(mecab.parse(data_file.read()))


def neco_lines():
    '''「吾輩は猫である」の形態素解析結果のジェネレータ
    「吾輩は猫である」の形態素解析結果を順次読み込んで、各形態素を
    ・表層形（surface）
    ・基本形（base）
    ・品詞（pos）
    ・品詞細分類1（pos1）
    の4つをキーとする辞書に格納し、1文ずつ、この辞書のリストとして返す

    戻り値：
    1文の各形態素を辞書化したリスト
    '''
    with open(fname_parsed) as file_parsed:

        morphemes = []
        for line in file_parsed:

            # 表層形はtab区切り、それ以外は','区切りでバラす
            cols = line.split('\t')
            if(len(cols) < 2):
                raise StopIteration     # 区切りがなければ終了
            res_cols = cols[1].split(',')

            # 辞書作成、リストに追加
            morpheme = {
                'surface': cols[0],
                'base': res_cols[6],
                'pos': res_cols[0],
                'pos1': res_cols[1]
            }
            morphemes.append(morpheme)

            # 品詞細分類1が'句点'なら文の終わりと判定
            if res_cols[1] == '句点':
                yield morphemes
                morphemes = []


# 形態素解析
parse_neko()

# Counterオブジェクトに単語をセット
word_counter = Counter()
for line in neco_lines():
    word_counter.update([morpheme['surface'] for morpheme in line])

# 全件取得
list_word = word_counter.most_common()

# 出現数のリスト取得
counts = list(zip(*list_word))[1]

# グラフで使うフォント情報(デフォルトのままでは日本語が表示できない)
fp = FontProperties(
    fname='/usr/share/fonts/truetype/takao-gothic/TakaoGothic.ttf'
)

# 散布図のデータ指定
plt.scatter(
    range(1, len(counts) + 1),  # x軸：順位
    counts                      # y軸：出現頻度
)

# 軸の値の範囲の調整
plt.xlim(1, len(counts) + 1)
plt.ylim(1, counts[0])

# 対数グラフに
plt.xscale('log')
plt.yscale('log')

# グラフのタイトル、ラベル指定
plt.title("39. Zipfの法則", fontproperties=fp)
plt.xlabel('出現度順位', fontproperties=fp)
plt.ylabel('出現頻度', fontproperties=fp)

# グリッドを表示
plt.grid(axis='both')

# 表示
plt.show()

실행 결과:

산점도

parse_neko() 와 neco_lines() 는 전문 과 같습니다.

이번에는 산포도로 해 보았습니다. 산점도는 pyplot.scatter() 에 x축의 배열과 y축의 배열을 건네주면 만들어 줍니다. 간단!

로그 그래프로 만들려면 pyplot.xscale() 과 pyplot.yscale() 로 지정합니다.

Zipf의 법칙이란?

지퍼라든지 지프라든지 읽을 것 같고, 무언가를 집계했을 때, 그 출현 빈도가 높은 순서로 늘어놓으면 （個々の順位）×（その出現頻度） 가 일정해지는 법칙이라고 합니다. 이 법칙대로의 경우는 양 대수 그래프에 쓰면 비스듬히 내려가는 직선이 됩니다. 확실 해지고 있습니다.
단어의 출현 빈도뿐만 아니라 여러가지 자연 현상, 사회 현상으로 이루어지는 경우가 있는 것 같습니다. 왠지 이상하다. 관심있는 분은 구구 해보세요.

　
40번째 노크는 이상입니다. 실수 등이 있으시면 지적해 주시면 감사하겠습니다.

실행 결과에는 100개 노크에서 사용하는 코퍼스 데이터 로 배포된 데이터의 일부가 포함됩니다. 이 4장에서 사용하고 있는 데이터는 푸른 하늘 문고 로 공개되고 있는 나츠메 소세키의 장편 소설 '고배는 고양이이다'가 바탕으로 되어 있습니다.