成蹊2017/日本語日本文学のためのコンピュータ の履歴(No.14)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 成蹊2017/日本語日本文学のためのコンピュータ へ行く。
  • 1 (2017-09-21 (木) 22:48:17)
  • 2 (2017-09-21 (木) 22:52:02)
  • 3 (2017-09-29 (金) 11:31:29)
  • 4 (2017-09-29 (金) 11:32:00)
  • 5 (2017-10-05 (木) 16:46:34)
  • 6 (2017-10-13 (金) 05:07:27)
  • 7 (2017-10-26 (木) 13:36:57)
  • 8 (2017-10-27 (金) 08:53:00)
  • 9 (2017-11-02 (木) 23:03:17)
  • 10 (2017-11-03 (金) 09:07:47)
  • 11 (2017-11-10 (金) 08:30:57)
  • 12 (2017-11-10 (金) 12:17:53)
  • 13 (2017-11-24 (金) 11:54:22)
  • 14 (2017-12-01 (金) 03:53:15)
  • 15 (2017-12-07 (木) 21:23:58)
  • 16 (2017-12-08 (金) 11:04:50)
  • 17 (2017-12-15 (金) 09:29:11)
  • 18 (2017-12-22 (金) 11:47:33)
  • 19 (2018-01-12 (金) 04:37:37)
  • 20 (2018-01-12 (金) 12:21:49)
  • 21 (2018-01-14 (日) 17:55:56)
  • 22 (2018-01-19 (金) 05:29:40)

---

成蹊2017

日本語・日本文学のためのコンピュータ

• 日本語学・日本文学を研究していく上で必要なコンピュータの知識・技術（テキストエディタ・正規表現・表計算ソフト・文書の構造化）を学びます。　
• 後期2限
• 7号館3階 301パソコン教室
• ogiso＠ogiso.net　←＠を@に直してください

2017/12/01　ひまわり補足 / CHJ中納言

ひまわりによる検索・補足

• 振り仮名の検索
• 正規表現を使った検索
  • ひまわりの正規表現について（授業資料/Himawariの正規表現）

調整頻度の計算

• たとえば一つの語の用例数を作家別で比較するとき、単純な用例数（粗頻度）では、作家ごとに文章量が大きく違うので、直接比べられない。
• 一定の文字数ごとの頻度のような調整頻度に直して比較する
  • 本来なら語数が望ましいが、青空文庫データでは語数がわからないので文字数を使う
    • =用例数/作品の総語数*1000000　（100万文字あたり何回出現するか）

※「それきり」「それぎり」のように割合を作家ごとに比較する場合には調整頻度は必要ない

• 作品別の用例数と作品の総文字数の入ったリストは、「ひまわり」で検索した後にメニューの「ツール」→「統計」→「キー,作品」で取得できる
  • このリストをピボットテーブルで集計することで、作家別の調整頻度を計算することができる

『日本語歴史コーパス』と「中納言」

「日本語歴史コーパス（CHJ）」

• 中納言
• 要登録
• 単語の情報（形態論情報）が付いているのが特長
  • 検索方法も文字列検索とは変わってくる
• 一度に最大10万例までダウンロード可

「中納言」の利用：形態論情報を使った検索

• 登録申し込み

• 配布資料「『中納言』の使い方」
  • この資料は次回以降も使いますので必ず持ってきてください。

2017/11/24　Excelによる集計(2)

分類用の列を作って集計する

• 入力用の列を作り手作業で意味分類する
  • 例：「新聞紙」の意味・用法の変化
    • file:ダウンロード

サンプリング調査

• 大量に用例があり、調査内容からすべて対象にできない場合
• ランダムに並べ替え→先頭n例を調査対象に
  • ランダムな数字の列： =RAND()
  • ランダムな数字の列をコピーして値として貼り付けると数字が固定される

正規表現小テスト

2017/11/10　Excelによる検索結果の集計

ひまわり検索結果をExcelで扱う†

• ピボットテーブルとピボットグラフ
  • 例：「それきり」「それぎり」
  • 例：「～的な」「～的の」
    • ※「目的」「標的」などをフィルタで除去

生年代による集計（通時的変化）

• 文字列処理関数の利用
  • 例： =left(<文字列>,<文字数>)
    • 生年代： =left(<生年月日が入っているセル>,3)*10

• 生年月日データの書式について
  • 「青空文庫」の生年月日が書式の自動変換でおかしくなるのを防ぐ
    • 1900年以前の年月日は文字列、それ以降は日付として認識される

1. Himawariで「すべて選択」後、「すべて選択」「コピー（列名含む）」をする
2. Excelで生年月日の列が貼り付けられることになる列（NとO）を丸ごと選択し、書式を「文字列」とする
3. Excelに貼り付ける

ひまわりで利用可能なデータについて†

• 現代語のデータ
  • 国会会議録データ
  • 法令データベース
  • 口コミサイト
• 近代語のデータ
  • 太陽コーパス
  • 近代女性雑誌コーパス
  • 明六雑誌コーパス
  • 国定高等小学読本
• 古典文学作品のデータ

2017/11/03　全文検索システム「ひまわり」

「ひまわり」と「青空文庫パッケージ」のインストールまとめ（前回の補足）

1. ひまわり本体のダウンロード
   1. ひまわり のダウンロードページからプログラム本体をダウンロード
   2. ダウンロードしたファイルのセキュリティブロックを解除
   3. 解凍後、フォルダごとUSBメモリにコピー
2. 青空文庫パッケージのダウンロード
   1. ひまわり用「青空文庫」パッケージのダウンロードページから「青空文庫パッケージ」をUSBメモリに直接ダウンロードして保存（サイズが大きいのでPCにダウンロードできない）
3. USBメモリにコピーしたフォルダ内のhimawari.exeを起動
   1. メニューのファイル＞インストールをえらび、青空文庫パッケージのzipファイルを指定
   2. しばらく待つと完了（数分から10分程度はかかる）
4. 要らなくなったファイルの削除
   1. PC上の「ひまわり」フォルダやzipファイル、USBの青空文庫パッケージzipファイルは不要なので削除する

「ひまわり」とその使い方

• ひまわりの動作確認
• 検索方法の説明
  • ひまわりの正規表現について（授業資料/Himawariの正規表現）

ひまわり検索結果をExcelで扱う†

• 例：
  • 「気持ち」「心持ち」

Excelの基本操作

• 並べ替え（ソート）
• フィルター（絞り込み）
  • テキストフィルター
  • 多重フィルター（複数の条件指定）
• ピボットテーブル★
  • ピボットグラフ

正規表現小テスト（来週）

2017/10/27　タグ付き正規表現 / 「ひまわり」の導入

タグ付き正規表現

• 走[らりるれろ] でgrepした結果を置換するにはどうしたらいいか
  • 次のように置換するととんでもないことに…
    • 検索文字列：走[らりるれろっ]
    • 置換文字列：★走[らりるれろっ]
• タグ付き正規表現・カッコ（半角丸カッコ）と\1（\2，\3…）を使う
• 授業資料/タグつき正規表現

検索文字列の中での後方参照†

• 検索語の中で\1を使う
  • (..)\1 「ころころ」「毎日毎日」など二文字の繰り返しにマッチ
  • (.ろ)\1 「ころころ」「どろどろ」「へろへろ」などにマッチ

最長一致の原則（greedy matching）†

• 正規表現は、パターンが一致する最も長い範囲にマッチする
  • 例：あ+ → 【\1】
    • ああああああああ →　【ああああああああ】 そのせいで…
  • 例：「(.+)」 → 【\1】
    • 「こんにちは」「さようなら」 →　【こんにちは」「さようなら】
  • 括弧の組ごとに置換するためには「([^」]+)」 → 【\1】　のように書かなければならない
    • 「こんにちは」「さようなら」 →　【こんにちは】【さようなら】
• よりかんたんに指定するには（最短一致，ものぐさ指定）
  • 「(.+?)」「(.*?)」のように、繰り返し指定の+*の後に「?」をつける

正規表現に関する参考資料†

• サクラエディタの正規表現：http://sakura-editor.sourceforge.net/htmlhelp/HLP000089.html
• 正規表現に関する本　amazonで検索

#amazon(4873114500) #amazon(4873113598)

• （参考）タグ付き正規表現の応用：grepと置換でKWICを作る

全文検索システム「ひまわり」について

• 全文検索システム「ひまわり」
  • ただのテキストファイル（プレーンテキスト）ではなく、XML形式にして、インデックスを付けた専用のデータを利用

• ひまわり のダウンロードページ　プログラム本体
• ひまわり用「青空文庫」パッケージのダウンロードページ　検索対象のデータセット

「ひまわり」の導入

• 動作確認

2017/10/14　正規表現

• 今日の練習用テキストデータ
  • soseki2.zip （前回と同じもの）

テキストエディタ・正規表現（文字クラス）の復習

• 文字クラス
  • 例：読[まみむめもん]

正規表現のいろいろ†

• 授業資料/正規表現
  • 文字クラス [ ]
  • 文字クラスの否定（補集合）[^ ]
  • 繰り返し ? + *
  • グループ化 ()
  • or（論理和） |
  • 文頭 ^、文末 $

正規表現の応用†

• カタカナ語
  • カタカナ（外来語）の形容動詞語幹
• 送りがなの揺れ（行う／行なう）
• 会話文中（"「"で始まる文中）の用例を検索する
• 同一文中での共起
  • 全然～ない。
  • もし～なら（ば）

2017/10/06　テキストエディタの利用

• 今回からUSBメモリを利用します。

---

• テキストデータ（青空文庫）の配布
  • soseki2.zip （今日の授業で使います）
  • aozoradoc2.zip（青空文庫全テキスト・参考）
  • ダウンロードしてUSBメモリに展開（解凍）してください

• 検索・置換、grep
  • 検索で初出行を調べる
  • 置換で用例数を数える
  • grepで用例リストを作る
  • タグジャンプで文脈を確認する
  • サブフォルダのgrep

ショートカットキー†

• 授業資料/覚えておきたいショートカットキー

grepと置換でKWIC(CSVファイル)を作る（簡易版）†

• CSVファイルとは：テキストファイルで表を表現する 用語：CSVファイル
• KWIC：KeyWord In Context

正規表現を使ってみる†

• 文字クラス
  • 例：読[まみむめもん]
    • 半角ブラケットの中に文字を並べる→並べた文字いずれか1文字

正規表現とは†

• 正規表現　＞用語
  • 文字を表すための特殊な文字（メタ文字）を使って文字列のパターンを表現する
  • エディタでは置換・検索・grepで利用できる　（エディタ以外にもさまざまなアプリケ－ションやコンピュータ言語で利用されている）
  • 特殊な文字（メタ文字）はすべて半角

• 授業資料/正規表現
  • 文字クラス [ ]
  • 文字クラスの補集合（それ以外の文字）[^ ]

2017/09/29　テキストデータとテキストエディタ

• USBメモリの準備
  • 次回の授業からUSBメモリを使います。2GB（できれば4GB）以上の空きのあるUSBメモリを用意してください。

テキストデータ

• すべての基本、文字が並ぶだけのデータ
  • 授業資料/テキストデータとは
  • バイナリファイルとテキストファイル
• TXT,CSV,HTM・・・
  • ファイルの種類と拡張子 参考：拡張子辞典
  • 拡張子(wikipedia)

• 授業で使うテキストデータ
  • 授業資料/テキストデータ紹介

テキストエディタ†

• テキストエディタとはどんなものか
  • 授業資料/テキストエディタ

• サクラエディタのダウンロードとインストール
  • ★サクラエディタのダウンロード:sakura2.zip
    • (参考) サクラエディタホームページ：http://sourceforge.net/projects/sakura-editor/

• zipファイルの展開（解凍）
  • 解凍しないままでも開けるが必ず解凍すること

• テキストエディタの設定
  • 行の折り返し
  • 行番号表示
    • スタイル行番号（ワープロ的行番号）と論理行番号（エディタ的行番号）

• 練習用サンプルデータ（漱石＋芥川）
  • sample.zip

2017/09/22　イントロダクション

• 自己紹介
  • 大学共同利用機関法人人間文化研究機構 国立国語研究所 http://www.ninjal.ac.jp/
  • コーパス開発センター

• デモ
  • テキストエディタとgrep
  • 全文検索システムひまわり
  • Excel（ピボットテーブル）
  • 形態素解析：Web茶まめ

• シラバス確認
  • シラバス（PDF）
  • この授業の目的
  • 授業の進め方
  • 評価方法

授業で利用する主なソフトウェア†