この記事は何？

VSCodeで初めてのテキストマイニングに挑戦、その学習ログです。
「pythonによるテキストマイニング入門」（山内長承）が参考図書です

環境

VSCode

実践

テキストファイルを用意

・安倍総理の会見を引用
・テキスト部分をメモ帳アプリにコピー
・abe_sori_enzetsu.txtで保存
・適当なディレクトリに配置

ライブラリのインポート

# パッケージをインストール
pip install igraph
pip install pycairo

# 使用するライブラリをインポート
import re
import numpy as np
from collections import Counter
import MeCab
import itertools
from igraph import Graph, plot

ファイルの読み込み＆正規化

minfreq = 0
m = MeCab.Tagger("-Ochasen")

# ファイルを読み込み、文を分割し空白を除去する関数
def readin(filename):
  with open(filename, "r", encoding="utf-8") as afile:
    whole_str = afile.read()
  # re.sub()関数で句点を置換、文を改行文字 "\\n" で分割
  sentenses = (re.sub("。", "。\n", whole_str)).splitlines()
  # 空白を削除し、文が空でない場合にそれを新しいリストに追加
  return [re.sub(" ", "", u) for u in sentenses if len(u)!=0]

# 先ほどの.txtファイルは以下に置いた
filename = "C:\\Users\\--ここは自分のPC参照--\\Documents\\nltk_data\\jeita\\jeita_aozora\\abe_sori_enzetsu.txt"
string = readin(filename)

# 文単位で形態素解析し、名詞だけ抽出し、基本形を文ごとのリストにする
sentense_meishi_list = [ [v.split()[2] for v in m.parse(sentense).splitlines() if (len(v.split())>=3 and v.split()[3][:2] == "名詞" )] for sentense in string]

【解説】

# 文ごとにペアリストを作る
doublets_list = [list(itertools.combinations(meishi_list, 2)) for meishi_list in sentense_meishi_list if len(meishi_list) >= 2]
all_doublets = []
# 文ごとのペアリストのリストをフラットなリストにする
for u in doublets_list:
    all_doublets.extend(u)

# 名詞ペアの頻度を数える
dcnt = Counter(all_doublets)

# 出現頻度順にソートした共起ペアを出力(上位30ペア)
print("pair frequency", sorted(dcnt.items(), key=lambda x: x[1], reverse=True)[:30])

# 名詞ペアの頻度辞書から、頻度が4以上のエントリだけを抜き出した辞書を作成
restricted_dcnt = dict(((k, dcnt[k]) for k in dcnt.keys() if dcnt[k] >= minfreq))
charedges = restricted_dcnt.keys()
vertices = list(set( [v[0] for v in charedges] + [v[1] for v in charedges] ))

# charedgesは(["名詞","名詞"])の形なのでvertid(数字)
edges = [(vertices.index(u[0]), vertices.index(u[1])) for u in charedges]

g = Graph(vertex_attrs={"label": vertices, "name": vertices}, edges=edges, directed=False)

plot(g, vertex_size=20, bbox=(800, 800), vertex_color="white", fontname="IPAGothic")

※
文字化けしたが、直し方が分からない…
いつかこの方の記事などを参考に直す