要說最近有什麼比較火的話題，自然是熱播劇《延禧攻略》了，我在吃飯的時候也經常蹭老婆的pad看一兩集。
如果不是以比較苛刻的眼光去看，這部劇確實有相當可圈點之處，情節緊湊不拖沓
雖然有些角色比較智障，但總體來說形象還是比較豐滿的，演員也很敬業，是一部不錯的霸道總裁片。
福利：私信回覆【02】可獲取爬蟲視頻教程
然後看的時候我就在想……
- 這部戲裡哪個角色的戲份是最多的呢？
- 戲份多的是不是人氣就一定很高呢？
剛好python裡有學過關於詞頻統計的知識
稍微魔改一下，看能不能弄出想要的結果。
需求：統計《延禧攻略》中各角色的戲份
如何定義“戲份”這個概念？我們知道，一個角色的出場次數直接決定了該角色的曝光度，在其他角色的互動中出現在對話裡也能間接增加其存在感。所以如果能找到相關文本，就有可能實現想法。
可以選擇的統計對象有劇本和小說兩種。理想狀態下可能劇本更合適一些，不過我暫時弄不到完整的劇本，所以就用原著小說代替了。快速瀏覽小說後發現，雖然在部分細節和對話上與電視劇有所差異，但是人物總體出場情況及情節走向還是一致的，可以作為研究對象。至於我是從哪裡搞到的小說全集這並不重要。
（你們知道作為一個直男，我在檢查文本的時候是什麼樣的心情嗎）
那麼廢話不多說，直接開始想解決方案。根據我有限的知識，這個問題應當按照以下步驟來分析：
- 以合適的格式讀入文本
- 用jieba庫進行分詞處理（全文沒有英文）
- 建立字典，將每一個詞（鍵）與其出現次數（值）進行映射
- 按照某個順序排列鍵值對
- 打印輸出
結合之前學過的一個統計實例
很快代碼就出來了：
然後打印輸出，得到的結果是：
emmm...多出來很多奇怪的東西，這裡和其他詞頻統計不同
我們要的只有角色名，什麼“宮女”“知道”之類的詞彙是不應該出現的。
這裡就有必要對非必要詞彙進行排除了。
基本的思路是反覆運行程序，再手動挑出需要被排除的詞語錄入到一個excludes列表裡
然後使用for in函數把字典裡的值刪去。
然後我進行了巨大的工作量……
建立了這麼一個詞庫：
然後在後面多加一段這個：
保存，跑一遍，得到這個：
好像哪裡不對。
“魏瓔珞”和“瓔珞”分明是同一個人，“弘曆”和“皇上”同理也沒有區別。
這部劇裡各角色在不同時期、不同身份下稱為均有所不同
也就是說有必要了解所有角色可能的稱謂，並將同角色稱謂進行歸納。
於是我機智地點開了網頁，
找到了《延禧攻略》全角色簡介：
同時：
為了讓python學習這些角色名，另新建一txt文檔把角色名及別名全部輸入進去，用jieba進行讀取；
對代碼動手，把角色不同稱謂進行映射：
運行程序看看：
這樣就順眼多了。然而我還是有點不滿意：
雖然建立了excludes列表，但通過人力也僅僅能排除幾十個干擾項，頂多能弄出前30的排名，再多就非常累了。
這顯然不符合我的預期，於是我瞧了excludes半天，想出一個解決方案：
真是不容易，連出場一兩次的小角色都統計出來了。
事實上作為一個菜的摳腳的新手，這一步想了我很多時間。
最後為了優化代碼提高用戶體驗，將最後結果輸出到一個txt文檔中，方便轉化為csv文件導入excel分析。
然後在excel里拉個圖表來瞧瞧：
乾隆：魏瓔珞同志，誰才是大豬蹄子呢？你一個人細分比朕和皇后加起來都多
可以看到，在原著中魏瓔珞不愧是第一女主，其戲份比皇帝和皇后加起來還多。
其他戲份比較足的是明玉、慧貴妃、爾晴、純妃、袁春望、太后這幾個角色
其他角色有些雖然也比較重要，但是出場率顯然不及前幾位了。
那麼，電視劇播出後，這幾位的人氣是否與他們的戲份是正相關的呢？
這裡當然可以抓取開播以來的網絡評論數據來檢索關鍵詞，不過為求簡（tou）便（lan），這裡直接用百度指數代替了：
其他角色相對這幾位都太低了
爾晴：...你們這群渣渣，姐姐我才是人氣明星！！！
閱讀更多 我用Python 的文章
