通过Python分析日语单词中音调类型的比例

enjoy了哦

  N  u: g* j: N# H$ S# w9 Y: J
8 H7 ^8 L0 ?" m# A( z# l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。

5 b/ V# g7 N1 f- v原始数据：新明解国语辞典第5版（EPWING格式）
9 A( C1 e  q" p: ~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。

" o; r+ B1 J4 S
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。

1 }2 E% ^! I; ^) Z5 ]
. v2 t% b% _- G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。
. l7 r+ f4 H; ^3 E/ I( K) C
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：
* H3 S* S' \  q" l4 L* C
4 {& N6 z, N/ w
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。

1. #!/usr/bin/env        python
   8 v7 d3 T& d' T# ]
2. #_*_        coding:utf-8        _*_
   
3. 
   
4. import sys,os
   ( S  R6 W) b& u; h* ^8 \' _! O
5. import numpy as np
   
6. 
   * L7 N3 I7 r% {1 J+ x  S5 f
7. # 带有音调标记的词汇数目
   
8. all_entry = 0
   
9. 
   
10. # 平板型,[0]
    $ L6 k2 t) p; W) y/ J* P- s
11. entry_0 = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
      a9 K  u+ D: V$ R6 F; e. ?
12. 
    9 k( B6 v2 ]: j: Y2 s
13. # 头高型,[1]
    1 m2 I4 r- U+ g) \3 M
14. entry_1 = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    & [) ^9 B; W* s5 c4 t5 ^( {4 U- ~
15. 
    ; A) j2 w. g. o' Y, v" ~* p' H
16. # 尾高型,[x] = 拍数
    ! D7 ]6 T; e- L6 N, J' i/ W
17. entry_last_high = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    
18. 
    
19. # 中高型,[x] < 拍数
    
20. entry_middle = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
    : N  H0 n3 l) N3 W1 F  E
21. 
    
22. file_name = sys.argv[1]
    ! A6 D; ]9 \, U  P1 L/ x
23. f = open(file_name,'rb')
    
24. for line in f:
    4 O" v- J+ R2 h! e
25.         line = line.replace(b"\r\n",b"")
    3 B: @; Z5 ]1 z" Q5 k
26.         line = line.decode()
    3 H' u  o( S, h( y
27.         db = line.split(',')
    5 g% @, ]6 Y% J7 v
28.         word_len = len(db[0])
    
29.         if word_len < 16:
    1 F; o5 T, |& w+ t/ X( Z0 c
30.                 all_entry = all_entry + 1
    
31.                 for i in range(1,len(db)):
    
32.                         accent = db[i]
    
33.                         if accent.startswith('['):
    
34.                                 integer = int(accent[1])
    
35.                                 if integer == 0:
      t" @# e. a6 i
36.                                         entry_0[word_len] = entry_0[word_len] + 1
    
37.                                 elif integer == 1:
    # v9 I: A& r* c  Y: U8 c
38.                                         entry_1[word_len] = entry_1[word_len] + 1
    
39.                                 elif integer == word_len:
    ; X2 d  E7 ]/ x: Y, P7 l
40.                                         entry_last_high[word_len] = entry_last_high[word_len] + 1
    ( M% D/ j7 R$ S' N
41.                                 else:
    
42.                                         entry_middle[word_len] = entry_middle[word_len] + 1
    - t/ r0 z8 ^& M2 u. d& C
43.                                 break
    - F1 Z9 K/ I( A3 Q* c9 g7 x
44. 
    
45. print('[0]:')
    
46. for i in range(1,len(entry_0)):
    
47.         print('%d' % (entry_0[i]))
    8 m* F3 m- _/ e6 U8 O7 n# h# P
48. print('entries: %d' % np.sum(entry_0))
    
49. print('\n')
    
50. 
    
51. print('[1]:')
    
52. for i in range(1,len(entry_1)):
    $ I& m( y4 \( j9 f" y
53.         print('%d' % (entry_1[i]))
    
54. print('entries: %d' % np.sum(entry_1))
    
55. print('\n')
    " S; Y5 r* w3 {3 P  G
56. 
    
57. print('middle high:')
    
58. for i in range(1,len(entry_middle)):
    
59.         print('%d' % (entry_middle[i]))
    5 t: W8 Q: y) w9 `2 Q: I
60. print('entries: %d' % np.sum(entry_middle))
    8 v2 t) \, J. f1 V7 X" ]
61. print('\n')
    
62. 
    
63. print('last high:')
    
64. for i in range(1,len(entry_last_high)):
    * K! q6 z  ~; q
65.         print('%d' % (entry_last_high[i]))
    0 e8 N9 z4 s; P1 y$ p9 ~# S- y0 n. m
66. print('entries: %d' % np.sum(entry_last_high))
    : C/ t8 ~% l" W
67. print('\n')
    3 B- L7 X( G- |0 j
68. 
    
69. print('all entries:')
    ' T4 Z# }5 t+ |9 H, s" A
70. print(all_entry)
    
71. 
    
72. f.close()

复制代码

最后将 Python 输出结果进行数据可视化：



1 G. K% ?& @% p# e( @, ]$ U
/ w4 a: l- z: N4 e以及饼图：
+ y5 R7 ~/ y9 a3 D/ a4 {

; S& h; G: d& U- P2 D- R可以得出几个结论：
, S3 t  _/ L; o* @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。
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。


, P) P' Y: s2 @/ F  B


2 b/ U+ p4 {$ A" u. [( V

enjoy了哦

kriskr 发表于 2019-3-24 00:48
- \3 L# f- {6 X3 x( J# ?  M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 ...

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。

在正则表达式替换的过程中，做了如下处理：
" [$ T* w5 S; \1. 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。
2. 声调类型统计只统计0-9,10及以上不统计。
3. 拍数在16拍及以上的不统计。
以及一些细微的调整。

1 o) _) D/ X4 c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

; Z# q6 T$ I6 O. O3 n8 J
9 v! S4 {6 Y, _  Y0 y, F请教几个问题
1、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
, L7 r( [% ~) X+ X
( g/ g1 ~# g! C0 }! P5 {9 r5 [/ T没想到0声单词这么多
& s" U; p! Q/ g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
1、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：
* d$ H" z1 V) t/ g! }' C4 K1. 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 Q8 H- \& S4 c2. 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。
0 ]% e: Z, E+ \9 g3. 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。
8 I$ T8 L) o, {
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。

$ D' k0 n9 O1 Z1 M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

8 C' b5 i1 Y9 t- g

enjoy了哦 发表于 2019-3-23 23:12
7 @1 T3 d6 |: Q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 ...

4 T8 q3 t% J% _4 N( }1 q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？
; J# ?& I/ a% B" m7 {
$ C0 ^8 Q. u+ f7 W) C如果可以的话，能否再统计以下3个纬度
7 K  h/ [! `0 p( S- F; U. S" y8 ^这样就更细化，明白了
  S3 v3 `" _" H* a% T+ Q0 p+ A纯片假名
有汉字的
% x5 Q- k. T: [纯平假名的，即完全无汉字的

谢谢


7 a' i# h/ z9 x- F

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