要说最近有什么比较火的话题，自然是热播剧《延禧攻略》了，我在吃饭的时候也经常蹭老婆的pad看一两集。
如果不是以比较苛刻的眼光去看，这部剧确实有相当可圈点之处，情节紧凑不拖沓
虽然有些角色比较智障，但总体来说形象还是比较丰满的，演员也很敬业，是一部不错的霸道总裁片。
福利：私信回复【02】可获取爬虫视频教程
然后看的时候我就在想……
- 这部戏里哪个角色的戏份是最多的呢？
- 戏份多的是不是人气就一定很高呢？
刚好python里有学过关于词频统计的知识
稍微魔改一下，看能不能弄出想要的结果。
需求：统计《延禧攻略》中各角色的戏份
如何定义“戏份”这个概念？我们知道，一个角色的出场次数直接决定了该角色的曝光度，在其他角色的互动中出现在对话里也能间接增加其存在感。所以如果能找到相关文本，就有可能实现想法。
可以选择的统计对象有剧本和小说两种。理想状态下可能剧本更合适一些，不过我暂时弄不到完整的剧本，所以就用原著小说代替了。快速浏览小说后发现，虽然在部分细节和对话上与电视剧有所差异，但是人物总体出场情况及情节走向还是一致的，可以作为研究对象。至于我是从哪里搞到的小说全集这并不重要。
（你们知道作为一个直男，我在检查文本的时候是什么样的心情吗）
那么废话不多说，直接开始想解决方案。根据我有限的知识，这个问题应当按照以下步骤来分析：
- 以合适的格式读入文本
- 用jieba库进行分词处理（全文没有英文）
- 建立字典，将每一个词（键）与其出现次数（值）进行映射
- 按照某个顺序排列键值对
- 打印输出
结合之前学过的一个统计实例
很快代码就出来了：
然后打印输出，得到的结果是：
emmm...多出来很多奇怪的东西，这里和其他词频统计不同
我们要的只有角色名，什么“宫女”“知道”之类的词汇是不应该出现的。
这里就有必要对非必要词汇进行排除了。
基本的思路是反复运行程序，再手动挑出需要被排除的词语录入到一个excludes列表里
然后使用for in函数把字典里的值删去。
然后我进行了巨大的工作量……
建立了这么一个词库：
然后在后面多加一段这个：
保存，跑一遍，得到这个：
好像哪里不对。
“魏璎珞”和“璎珞”分明是同一个人，“弘历”和“皇上”同理也没有区别。
这部剧里各角色在不同时期、不同身份下称为均有所不同
也就是说有必要了解所有角色可能的称谓，并将同角色称谓进行归纳。
于是我机智地点开了网页，
找到了《延禧攻略》全角色简介：
同时：
为了让python学习这些角色名，另新建一txt文档把角色名及别名全部输入进去，用jieba进行读取；
对代码动手，把角色不同称谓进行映射：
运行程序看看：
这样就顺眼多了。然而我还是有点不满意：
虽然建立了excludes列表，但通过人力也仅仅能排除几十个干扰项，顶多能弄出前30的排名，再多就非常累了。
这显然不符合我的预期，于是我瞧了excludes半天，想出一个解决方案：
真是不容易，连出场一两次的小角色都统计出来了。
事实上作为一个菜的抠脚的新手，这一步想了我很多时间。
最后为了优化代码提高用户体验，将最后结果输出到一个txt文档中，方便转化为csv文件导入excel分析。
然后在excel里拉个图表来瞧瞧：
乾隆：魏璎珞同志，谁才是大猪蹄子呢？你一个人细分比朕和皇后加起来都多
可以看到，在原著中魏璎珞不愧是第一女主，其戏份比皇帝和皇后加起来还多。
其他戏份比较足的是明玉、慧贵妃、尔晴、纯妃、袁春望、太后这几个角色
其他角色有些虽然也比较重要，但是出场率显然不及前几位了。
那么，电视剧播出后，这几位的人气是否与他们的戏份是正相关的呢？
这里当然可以抓取开播以来的网络评论数据来检索关键词，不过为求简（tou）便（lan），这里直接用百度指数代替了：
其他角色相对这几位都太低了
尔晴：...你们这群渣渣，姐姐我才是人气明星！！！
閱讀更多 我用Python 的文章
