通过Python分析日语单词中音调类型的比例

enjoy了哦

" @3 [( D/ F+ a$ y4 }' [( ~2 o通过调查日语单词中音调类型的比例，可以得出一些结论，方便记忆单词本身和其后续助词的音调。
% U- g5 O4 h- g. ~2 M3 t
: M" r; G) m- Q4 o- Y7 A原始数据：新明解国语辞典第5版（EPWING格式）
首先通过 EBDump 打开该EPWING格式词典的文件夹的 HONMON 文件，导出其中的“前方一致表記形見出し”部分，选择全部的1412个block。

) }. n# e, u; f8 \" V9 Q
导出后，将该文件转码成 UTF-8 格式，并使用正则表达式替换部分内容，使其容易被后续分析处理。

3 K& U1 h$ b; r3 @8 o" D, H
4 e1 b/ K% b5 w4 d! F! B为统计尾高型音调，需要知道每个单词的拍数。由于拗音占有两个字符，但只算一拍，为了方便统计，将其中的小的[ゃ][ゅ][ょ] 及对应的片假名（还有小的[ア][イ][ウ][エ][オ]等，外来词专用音节）去掉，即[きゃ][きゅ][きょ]中后面那个字符。这样一来，拍数就等于字符数了。

最终的经过清洗的“干净”的数据如下所示，根据个人的习惯进行处理：


然后可以通过 Python 进行统计，一个单词可能有多个音调，但只统计第一个音调（稍微改动源码可以统计所有的音调）。这个代码可以用来明白大致的统计思路，后续还有写零碎的更改，并没有体现在这里面。
" B( i& U  ?+ |) C

1. #!/usr/bin/env        python
   * ~8 }" t5 H; J& d2 A6 A" ]
2. #_*_        coding:utf-8        _*_
   
3. 
   
4. import sys,os
   
5. import numpy as np
   7 E( v# W' P, Z0 y. V6 ~
6. 
   
7. # 带有音调标记的词汇数目
   7 p; _3 M% z$ Y6 N% t. d
8. all_entry = 0
   
9. 
   
10. # 平板型,[0]
    # r5 _2 `" b! \, @; k
11. entry_0 = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    
12. 
    ; p; i6 S! M4 M! o0 w
13. # 头高型,[1]
    
14. entry_1 = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    7 Z0 x) l' O! R& C1 F6 N
15. 
    $ ?* U% ?% i6 l0 B, \" z
16. # 尾高型,[x] = 拍数
    
17. entry_last_high = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    
18. 
    2 b. v( I  u/ Z, [
19. # 中高型,[x] < 拍数
    0 ~4 D5 N$ a) o* g  c; b* u
20. entry_middle = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    0 v6 a, |5 e3 R* Y  X& f* O3 c
21. 
    ' J. i0 ]2 B7 V& |- k2 {& p
22. file_name = sys.argv[1]
    
23. f = open(file_name,'rb')
    
24. for line in f:
    
25.         line = line.replace(b"\r\n",b"")
    
26.         line = line.decode()
    ) n) b& w& w3 V( p7 Z
27.         db = line.split(',')
    % y0 U) r! o7 k. b! ]/ x
28.         word_len = len(db[0])
    
29.         if word_len < 16:
    8 u/ Z  J5 a- [7 R7 i
30.                 all_entry = all_entry + 1
    4 Z+ k' q9 G! \
31.                 for i in range(1,len(db)):
    
32.                         accent = db[i]
    
33.                         if accent.startswith('['):
    7 ~- \5 y6 j! V. C
34.                                 integer = int(accent[1])
    ; S' g7 J: p0 n. f( e
35.                                 if integer == 0:
    
36.                                         entry_0[word_len] = entry_0[word_len] + 1
    
37.                                 elif integer == 1:
    4 g2 ~+ i+ S3 Y( @) B
38.                                         entry_1[word_len] = entry_1[word_len] + 1
    
39.                                 elif integer == word_len:
    7 U% f+ I* g  g9 O) H! Y
40.                                         entry_last_high[word_len] = entry_last_high[word_len] + 1
    3 G2 W4 G) M; j
41.                                 else:
    
42.                                         entry_middle[word_len] = entry_middle[word_len] + 1
    
43.                                 break
    * h. |# r" }: o# y- k
44. 
    
45. print('[0]:')
    
46. for i in range(1,len(entry_0)):
    4 ^% ?- ^( |* I1 ], E$ c5 [- c
47.         print('%d' % (entry_0[i]))
    8 Q' h& D& M7 Z; w' o& g* [
48. print('entries: %d' % np.sum(entry_0))
    
49. print('\n')
    6 C" ^$ w0 M9 M# q
50. 
    & h$ I9 p$ i. L/ r8 s4 T
51. print('[1]:')
    
52. for i in range(1,len(entry_1)):
    ) I5 V: M! F" E6 G: K( W- a% B
53.         print('%d' % (entry_1[i]))
      @7 b0 L' V0 O$ m
54. print('entries: %d' % np.sum(entry_1))
    ' l3 b# s; t) z% E0 u* {
55. print('\n')
    ( y/ _% O3 y) h" q
56. 
    
57. print('middle high:')
    8 m' A) b1 s* _; J
58. for i in range(1,len(entry_middle)):
    
59.         print('%d' % (entry_middle[i]))
    / v5 i/ U: k8 R0 {& _, a
60. print('entries: %d' % np.sum(entry_middle))
    
61. print('\n')
    
62. 
    
63. print('last high:')
    ) j4 X3 k6 u8 O
64. for i in range(1,len(entry_last_high)):
    9 Z  @! L3 i, b# P
65.         print('%d' % (entry_last_high[i]))
    * o7 y! v1 t* I1 V& P  L
66. print('entries: %d' % np.sum(entry_last_high))
    9 e! {0 A5 v0 S+ ~0 }% R
67. print('\n')
    
68. 
    ) `8 t$ @' ~( N) }. i; B4 M8 X9 l
69. print('all entries:')
    
70. print(all_entry)
    
71. 
    ; L: L; W% A2 }1 Y2 C5 S6 O5 p6 @0 [
72. f.close()

复制代码

最后将 Python 输出结果进行数据可视化：
8 f( v7 \+ N. `8 e# p
3 w' Z8 q+ g: p$ k9 Z( u


以及饼图：


可以得出几个结论：
1. 尾高型的单词很少（约2%，大部分在2拍和3拍的单词上，2拍和3拍五五开，总共约1300个单词（在7万多个单词中）。
2. 头高型的单词次少（约17%），主要集中在3拍的单词上（约51%），2拍和4拍都约占20%左右。
3. 日语中4拍的单词最多（约42%），并且相当一部分（约72%）是平板型。这和新标日中入门单元里，“声调和语调”部分中“声调”小节里的解说是一样的。
7 Y' t, @9 ~2 ?0 q+ @4. 记忆平板型和尾高型的单词时，单词本身发音规律相同，都是前低后高，但后接的助词音调不同，不好记忆。但通过上述统计，可以这么做：（两拍以上）尾高型的单词单独记忆后续助词的音调，其后续助词的音调总是低的，而在一般情况下，一个单词（两拍以上）后接的助词的音调（高或低）和该单词的最后一拍是相同的。一拍的单词完全不符合这个“一般情况”，只需要记住这一拍本身是低还是高，再根据“一个单词中第一拍和第二拍音调必定不同”来确定助词音调。单词本身的音调则通过多听、多用以形成固定的记忆。
; f+ j1 [1 R  h4 u- Q4 m, S( B

, U' D) m# }; B; Q


+ V! w, w1 L# [
- B$ @/ @" c+ a# p6 B: K: K

enjoy了哦

kriskr 发表于 2019-3-24 00:48
想问下楼主ebdump导出后如何转码为utf8 为什么我转码后，是乱码，求赐教，是需要一些python改动吗 ...

' f" Z5 A3 O  v文本编辑我一般用 notepad++，开源又好用。其中的 Encoding 菜单中有个Convert to UTF-8，可以转码。
- g" x) K* ?& X8 i+ N  y
1 [! u" B0 y: t, A6 b& R. B2 G在正则表达式替换的过程中，做了如下处理：
: G! C" B$ G- }+ C" Z1. 删除了多个单词组成的条目。这种条目分别对每一个组成单词都标注了音调。
4 L2 _+ o, w" _/ D" i6 q& b2. 声调类型统计只统计0-9,10及以上不统计。
% c5 A1 V( \  {) [5 O- G6 o3. 拍数在16拍及以上的不统计。
以及一些细微的调整。

因为各人处理的方法不同，你最终得出的统计结果可能和我不太一样。

kapan000

* S1 V1 m. I" q2 K
8 T0 r3 r. D2 [; c: [( t请教几个问题
* p# b6 G; R. s- |; Y' S1、新明解单词数较少，可否统计下超级大辞林？
7 R. w; R" o  Z5 ?2、统计饼图，可否给出所占比例和数量。这样更好看点。
3、可否给出统计的xls？我想再算下，10拍以内，各拍那个声调多一点及其比例

没想到0声单词这么多
  X8 |9 L. r, m( C9 t0 i0 {我一直认为2,3,4...这类最多

enjoy了哦

kapan000 发表于 2019-3-23 22:43
请教几个问题
! ~! i5 o: I% P% r* c# ]* S" I1、新明解单词数较少，可否统计下超级大辞林？
2、统计饼图，可否给出所占比例和数量。这样更 ...

我觉得统计超级大辞林没有必要。原因有以下几点：
1. 新明解已经收录了常用单词，这个统计是用来指导记忆声调的，对常用7万单词的统计我觉得真的已经足够了。
2. 要对超级大辞林进行数据清洗是非常麻烦的。其中的百科词条等，也不太常用。
3. 超级大辞林中的大量片假名词语（外来词等），其声调相比常用和语、汉语词汇，没有那么固定。如果将其纳入统计，我觉得并不具有代表性。
4. 对于超级大辞林中古语的声调，我觉得统计了也没有什么代表性，我学现代日语就已经够呛了。

学日语真心推荐新明解，你可能觉得它收词量小，但是它还告诉你词汇的用法，一些有用的信息等。
6 h5 h% `7 w" h1 G
这个EPWING版的新明解好像是通过别的格式转来的，里面有很多东西没转对，问题有点大，最好不要用。

kapan000

enjoy了哦 发表于 2019-3-23 23:12
0 |" l0 L: ^- s' m! x我觉得统计超级大辞林没有必要。原因有以下几点：
1 x0 A( L  l" S5 g1. 新明解已经收录了常用单词，这个统计是用来指导记忆 ...

6 ^9 W/ F" S" h: p& k. j. }非常感谢。请问下，这个统计是全部单词？是否包含了片假名单词？

如果可以的话，能否再统计以下3个纬度
这样就更细化，明白了
  D  d2 @/ {0 a2 K1 v纯片假名
( V- E0 `3 ~: l' ]  Q+ f有汉字的
1 H4 u2 B' {/ J  T, h纯平假名的，即完全无汉字的

谢谢

kriskr

想问下楼主ebdump导出后如何转码为utf8 为什么我转码后，是乱码，求赐教，是需要一些python改动吗

f2st

想问下楼主ebdump导出后如何转码为utf8 为什么我转码后，是乱码，求赐教，是需要一些python改动吗

f2st

求导出的txt

takeko

太厉害了