四大名著文本数据分析

原文：2025 计算概论 C 钱丽艳班助教团队，版本 1.0，日期 2025 年 11 月 27 日。本页保留 PDF 对应部分全文，章节编号沿用原文。

课程与提交说明 · 公共要求与 Python 基础 · 完整 PDF（网盘链接待补充）

2 . 选题二：四大名著文本数据分析

四大名著作为中国古典文学的代表作，人物众多、章节复杂、语言生动，十分适合作为文本数据分析的入门项目。使用Python 对四大名著进行数据化探索，通过对人物出场、人物关系、剧情结构等方面的分析，体会数据分析如何帮助我们理解文学作品。

一、基础分析：人物出场和章节变化（统计性描述）

• 任务1: 章节字数统计与节奏分析：

  • 读取名著的文本数据，统计每一章的字数。

  • 绘制章节字数的直方图，观察是否存在明显的“长章节”和“短章节”。

  • 绘制章节-字数的折线图，来表示章节字数随着章节编号的变化，分析小说的节奏变化（高潮、平缓、过渡章节等）。

  • 选取两个或更多的名著，绘制章节字数的箱线图，观察字数的总体分布，是否有异常值的章节。

• 任务2: 主要人物出场次数分析：

  • 出场次数排行：任选几名主要人物（五名左右），统计每个人物在全书出现的总次数，绘制横向柱状图（便于显示名字），全书最常出现的人物是哪些。

  • 人物在各章节的出场变化趋势：对每个角色统计每章出现的次数，选择3 名左右角色绘制折线图对比趋势

  • 人物活跃度随着时间变化：将人物出场次数累计并作同比变化，使用堆叠面积图来展示人物活跃阶段。

  • 分析回答以下问题：哪些人物比预期更加常见/少见？是否有一些人物的“高光章节”？能否反映故事结构的自然分段？

二、进阶分析：基于共现的人物关系分析

• 任务1: 构建共现矩阵：共现分析是文学分析中常用方法。我们通过观察人物是否同时出现来推理分析他们之间的关系。首先定义共现规则：在章节中同时出现算共现1次（或者你可以自选以段落等为共现单位）。

  • 选取10 名左右主要人物，统计人物共现次数，构建共现矩阵.

  • 人物共现矩阵可视化：绘制人物共现热力图，观察哪些角色关系最为密切。

• 任务2: 社交网络分析：使用networkx 绘制人物关系网络图，将共现次数大于某个阈值的人物对连接成边，根据共现次数来设置边的粗细等，观察哪些人物在网络中处于中央、哪些人物构成小群体。（例：基于《水浒传》，分析宋江、吴用、林冲谁在关系网络中更中心）

• 任务3: 关系演变：把章节分成3-5 个部分，计算每个阶段的共现矩阵，计算差值热力图，对比人物关系在不同阶段如何发生变化并推测可能原因。是否有角色从边缘变为核心或从核心变为边缘？

三、探索部分（以下是几个示例题目，可自行探究其他话题）

• 示例1: 从妖怪对孙悟空的称呼推断妖怪的来源与背景：《西游记》中，不同背景的妖怪对孙悟空的称呼往往带有明显的“身份暗示”。天宫体系人物（天兵天将、旧识）可能称：“大圣”、“齐天大圣”、“行者”、“弼马温”；山野或民间妖怪多使用贬称：“泼猴”、“猴头”、“毛脸雷公嘴”；特定势力的妖怪（如牛魔王）可能有特殊用语或态度。尝试分析称呼和势力是否存在对应，探索妖怪对孙悟空的称呼是否能够作为推断妖怪背景的证据。可以逐步的回答问题：例如先人工列一份称呼词表（可以边做边补），然后使用正则

表达式来抓取说话人+ 对白（例如只抓取【某某道：“”】这种形式），便可以得到一份简单的【人物-对孙悟空的称呼】的数据。

• 示例2: 红楼梦后四十回与前八十回是否同人所写：《红楼梦》是中国古典小说巅峰之作，传统上认为全书120 回，但有明确史料表明：前80 回出自曹雪芹，被称为“脂本八十回”；后40 回（高鹗续稿）作者归属存在争议。学界普遍观点是“前80 回为曹雪芹，后40 回为续作”，但对后40 回的写作方式、是否完全来自一人、是否参考草稿等问题，仍存在大量争论。探究《红楼梦》后40 回与前80 回是否具备明显的风格差异？是否有证据支撑“两段文本可能出自不同作者”？通过可视化（如折线图、柱状图、热力图、散点图、PCA

图等）展示你的发现。例如可以比较前80 回vs 后40 回在以下指标上的差异：每千字使用的常用词频（如“的”“了”“者”等）；平均句子长度、句长分布；专用词汇（如“凤姐”、“宝玉”、“探春”）的出现概率；基于共现的人物关系变化等。