用Python数据分析方法进行汉字声调频率统计分析

木合塔尔·沙地克+布合力齐姑丽·瓦斯力

摘要：该文首先用Python程序，自动获取基本汉字字符集中的所有汉字，然后用汉字拼音转换工具pypinyin把所有汉字转换成拼音，最后根据所有汉字的拼音声调，统计并可视化拼音声调的占比。

关键词：数据分析；数据可视化；文本挖掘

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）35-0013-02

1 背景

汉字是世界上最古老的文字之一，已有四千多年的历史。现存最早可识的汉字是 殷商 的甲骨文和稍后的金文，现代汉字即由甲骨文、金文演变而来。在形体上逐渐由图形变为笔画，象形变为象征，复杂变为简单；在造字原则上从表形、表意到形声。除极个别的例外，都是一个汉字一个音节。

汉字的数量并没有准确数字，大约将近十万个（北京国安咨讯设备公司汉字字库收入有出处汉字91251个），日常所使用的汉字只有几千字。据统计，1000个常用字能覆盖约92%的书面资料，2000字可覆盖98%以上，3000字则已到99%，简体与繁体的统计结果相差不大。

汉字是汉语的书写文字，每个字代表一个音节。中国大陆现今以普通话作为标准读音，普通话的音节由一个声母、一个韵母及声调确定，实际用到1300多个音节。由于汉字数目庞大，因而有明显的同音字现象；同时还有同一字多音的情形，称为多音字。这一情况在汉语各种方言中是普遍存在的。

最早的注音方法是读若法和直注法。读若法就是用音近的字来注音，许慎的《说文解字》 就采用这种注音方法，如"埻，射臬也，读若准"。直注法就是用另一个汉字来表明这个汉字的读音，如"女为悦己者容"中，使用"说者曰悦"来进行注音。

近代以来，又发展出了汉字形式的注音符号以及很多拉丁字母注音方法。注音符号仍是中国台湾地区教学的一部分，而目前中国大陆最为广泛使用的是汉语拼音。

由于汉字以本身表义为主，注音方面较为薄弱。这个特性使得上下千年的文献，不至于产生如同使用拼音文字的西方一样，用字措辞太悬殊的差距，但也造成推断古代声韵的难度。例如"庞"从"龙"而得声，但今日北京话前者读"páng"，后者为"lóng"。如何解释这样的差异，就是音韵学所探讨的课题。需要注意的还有声调：阴平，阳平，上声，去声，轻声（元音āáǎàa ōóǒòo ēéěèe īíǐìi ūúǔùu ǖǘǚǜü）。

1957年11月1日国务院全体会议第六十次会议通过，1958年2月11日第一次全国人民代表大会第五次会议批准的《汉语拼音方案》中声调符号采用的是：阴平（ˉ）、阳平（ˊ）、上声（ˇ）去声（ˋ）、轻声（不标调）的方法。這种方法解决了不同声调汉字的区别问题。例如，妈 mā（阴平）、麻 má（阳平）、马 mǎ（上声）、骂 mà（去声）、吗 mɑ（轻声不标调）。为识字辨音立下了汗马功劳。但随着信息化的不断发展，其与计算机键盘不相适应。

Unicode 是全球文字统一编码。它把世界上的各种文字的每一个字符指定唯一编码，实现跨语种、跨平台的应用。表1是中文字符集的Unicode编码范围。

2 编程实现

从网上下载并安装免费的最新Anaconda Python发行版（Anaconda Python最主要的优点是，它会预先安装几百个最流行的Python富佳控模块）和汉字拼音转换工具pypinyin（下载和安装过程略）。

下面是编程实现源代码和代码解释

# -*- coding： utf-8 -*-

"""

Created on Sat Nov 18 09：33：59 2017

@author： Muhtar

"""

#引入相关工具

from pypinyin import lazy_pinyin， Style

import matplotlib.pyplot as plt

from pylab import mpl

#为了显示汉字，字体指定为SimHei

mpl.rcParams['font.sans-serif']=['SimHei']

#定义存放声调频率的变量

tone1=0 #第一声

tone2=0 #第二声

tone3=0 #第三声

tone4=0 #第四声

tone5=0 #轻声

‘进入循环，游历基本汉字字符集中的所有汉字

for ch in range（0x4E00，0x9FA6）：

‘获取每个汉字的声调：把汉字转换拼音，拼音风格选择Style.TONE3（即将拼音中的声调用数字表示并放在最后一位），截取拼音的最后一位

tone=''.join（lazy_pinyin（chr（ch），style=Style.TONE3））[-1]

if tone=='1'：#如果第一声调

tone1+=1

elif tone=='2'： #如果第二声调

tone2+=1

elif tone=='3'： #如果第三声调

tone3+=1

elif tone=='4'： #如果第四声调

tone4+=1

else： #如果轻声

tone5+=1

#统计结果保存在excel表中

filewriter=open（'shengdiao_out.csv'，'w'）

filewriter.write（'声调，次数＼n'）endprint