ヅカの芸名を自動生成するAIを作る(3)：データ解析編(2)

これまでのあらすじ

前回はこちら

ヅカの芸名の一覧を作って、まずその解析をしていたところ。
大体見たのでまあいいかなと思ったが、やっぱりもうちょっとやりたいことがあったので、今回はその続き。

いい加減keras使った機械学習に入れと自分でも思わなくはないが、気になる点はまだ多いので、pandasやmatplotlibの勉強がてらもう少し解析を続けようと思う。
（次の記事は10年代ごとの姓名、使われる字を調べて年代の比較をしたい）

ひらがなヒートマップ

詳細は前回記事に譲るが、宝塚の芸名のうち名前の方は、ひらがなの使用率が高い（参照）。

ひらがなをヒートマップにしたくなってしまったのだ。
漢字と違って個数が少ないのと、規則性のある並べ方をしやすいので（漢字もできなくはない部首順で並べるとか。が、漢字は数が多すぎる）、ヒートマップにすると法則性が可視化しやすい。

出現回数とかなをExcelでヒートマップにするのも思わなくはなかったが、ここはmatplotlibの勉強がてらやってみたい

ひらがな一覧

kana = [
    ['あ', 'い', 'う', 'え', 'お'],
    ['か', 'き', 'く', 'け', 'こ'],
    ['さ', 'し', 'す', 'せ', 'そ'],
    ['た', 'ち', 'つ', 'て', 'と'],
    ['な', 'に', 'ぬ', 'ね', 'の'],
    ['は', 'ひ', 'ふ', 'へ', 'ほ'],
    ['ま', 'み', 'む', 'め', 'も'],
    ['や', 'ゐ', 'ゆ', 'ゑ', 'よ'],
    ['ら', 'り', 'る', 'れ', 'ろ'],
    ['わ',   '',    '',   '', 'を'],
    ['ん',   '',    '',   '',   ''],
    ['が', 'ぎ', 'ぐ', 'げ', 'ご'],
    ['ざ', 'じ', 'ず', 'ぜ', 'ぞ'],
    ['だ', 'ぢ', 'づ', 'で', 'ど'],
    ['ば', 'び', 'ぶ', 'べ', 'ぼ'],
    ['ぱ', 'ぴ', 'ぷ', 'ぺ', 'ぽ'],
    ['ぁ',   'ぃ', 'ぅ', 'ぇ', 'ぉ'],
    ['',   '', 'っ', '', ''],
    ['ゃ',   '', 'ゅ', '', 'ょ'],
]

使う人がいるかはわからないが、Pythonでひらがな一覧を使う予定があれば、上のソースのコピーをどうぞ。
これは人が見やすく（書きやすく）するため「あいうえお」を横に、「あかさたな」を縦に並べている。よく見る「あ行」が一番右にあるひらがな表にするには、時計回りに回転させる。

ひらがなごとの出現回数

kana_counts = []
for k_1 in kana:
    kc_1 = [name_dic[c] if c != '' and c in name_dic else 0 for c in k_1]
    kana_counts.append(kc_1)
print(kana_counts)
kana_counts = np.rot90(np.array(kana_counts), -1)
kana_counts

name_dicは宝塚の芸名のうち、名前を解析し、字一文字をkeyとし出現回数をvalueにした辞書。
使われないひらがなもありうるため、ひらがなの一覧を別途作り、一覧に対して出現回数を参照する。

二次元配列を一次元配列にするとヒートマップにしたときにひらがな表にできないので、２次元配列のまま出現回数をカウントしている。

ヒートマップにした際、よく見るあ行が一番右の表形式にするため、時計回りに90度回転させる(np.rot90()の箇所)。

ヒートマップの作成

import matplotlib.pyplot as plt

R = 5
C = 19

plt.rcParams['font.family'] = 'Hiragino Sans'

# ヒートマップを作成
fig, ax = plt.subplots(ncols = 1, nrows = 1, figsize = (13, 5)) # 図の設定
ax.pcolor(kana_counts, cmap=plt.cm.Reds) # ヒートマップ
ax.set_xticks(np.arange(C) + 0.5) # x軸目盛の位置
ax.set_xticklabels(['ゅ', 'っ', 'ぁ', 'ぱ', 'ば', 'だ', 'ざ', 'が', 'ん', 'わ', 'ら', 'や', 'ま', 'は', 'な', 'た', 'さ', 'か', 'あ'])  # x軸目盛のラベル
ax.set_yticks(np.arange(R) + 0.5) # y軸目盛の位置
ax.set_yticklabels(['あ', 'い', 'う', 'え', 'お'])  # y軸目盛のラベル
ax.invert_yaxis()
plt.show() # 図を表示

筆者の環境はmacなので、日本語表示ができるようHiragino Sansを設定する。

ヒートマップの作成は下記の記事を参考にし、大いに助けられた。

pcolorによるヒートマップの作成

できた図がこれである。

全体的に右上の比率が高い。特に、「あ」音と「い」音。ついで「う」音。
行で言うと、「ま」行「る」行が高い。おそらく読みと相関があるかと思う。一般女性名との比較もしたくなってきたが、そこまですると横道にそれすぎるか…

やはりと言うべきか濁音、半濁音は少ない。半濁音は4700人もいるのだから居てもいい気もするが…。
濁音になると「う」音「お」音の比率が相対的に高いのは不思議だ。

名前読みのひらがなヒートマップも作ってみた。

「こ」の利用率が格段に上がるのは、「子」が最も多く使われる字だからだろう。
それ以外の傾向は名前とおおむね同様である。

当たり前な結論のような気もするが、そうでもない気もする。
ひらがな名だから使われる字はなく、漢字の時だけ使われるような字（ひらがな名に開かれにくい）は「子」以外にないと言うことなのだろう。

参考にひらがなに対しての出現回数の表を記載しておく。

かな	ひらがな名での出現回数	読みでの出現回数
あ	177	394
い	175	465
う	75	383
え	46	235
お	63	265
か	366	727
き	172	601
く	57	135
け	19	92
こ	54	1270
さ	205	478
し	93	238
す	57	130
せ	42	106
そ	12	27
た	60	181
ち	84	381
つ	107	270
て	9	37
と	103	266
な	133	349
に	9	29
ぬ	1	10
ね	22	64
の	107	169
は	62	167
ひ	157	251
ふ	18	64
へ	2	0
ほ	71	110
ま	181	449
み	434	1079
む	7	17
め	37	69
も	38	89
や	82	212
ゐ	1	0
ゆ	224	464
ゑ	4	0
よ	41	292
ら	168	240
り	350	639
る	287	480
れ	87	189
ろ	46	85
わ	24	49
を	23	9
ん	61	198
が	5	10
ぎ	10	23
ぐ	23	44
げ	10	27
ご	3	6
ざ	2	3
じ	18	106
ず	43	139
ぜ	0	0
ぞ	1	6
だ	7	12
ぢ	4	4
づ	33	64
で	6	22
ど	33	62
ば	21	31
び	6	10
ぶ	35	51
べ	2	4
ぼ	23	28
ぱ	0	1
ぴ	0	0
ぷ	0	0
ぺ	0	0
ぽ	0	0
ぁ	0	0
ぃ	0	1
ぅ	0	0
ぇ	0	0
ぉ	0	0
っ	0	4
ゃ	0	0
ゅ	17	91
ょ	8	101

解析編の続きはこちら。10期ごとに分けて各年代の傾向を解析する。