成蹊2018

  • 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

日本語日本文学のためのコンピュータ

アルバイトについて

2018/12/7 CHJ「中納言」検索結果の集計

「中納言の使い方」つづき

検索条件式の利用

キー: (品詞 LIKE "形容詞%" AND 活用形 LIKE "連体形%")
 AND 後方共起: 語彙素="言葉" ON 1 WORDS FROM キー
 WITH OPTIONS tglKugiri="|" AND tglBunKugiri="#" AND limitToSelfSentence="1"
AND tglFixVariable="2" AND tglWords="20" AND unit="1" AND encoding="UTF-16LE" AND endOfLine="CRLF"

「中納言」検索結果のダウンロードとExcelでの利用

  1. ダウンロード
  2. Excelでインポート

複数の検索結果の結合

  • 例:蒲公英・向日葵・菫

ショートカットキーを活用すると便利

  • Ctrl+End ファイルの末尾/表のいちばん右下に移動
  • Shift+Ctrl+End 〃範囲を選択
  1. 表をコピー
    • Ctrl+Home, ↓(列名はコピーしないようにする),Shift+Ctrl+End, Ctrl+C
  2. コピーした表を既存の表の下に貼り付け
    • Ctrl+End, Home, ↓, Ctrl+V, Ctrl+Home

調整頻度の計算

  • 粗頻度を総語数で割る
    • レジスターごとの語数データ:中納言ページの「語数について」からExcelでダウンロードできる
      • 語数ファイルをピボットテーブルで集計して分母に
  • 調整頻度には100万語あたりの頻度(pmw)が比較的よく使われる
    • 粗頻度/コーパス総語数*1000000
      • 数字が小さくなりすぎないようにするため
  • ※割合の違いを比較するだけなら調整頻度を出す必要はない。
  • ※ひまわりの検索結果でも同じことだが、語数の代わりに文字数で代用する。

現代語との比較 ―BCCWJ中納言

  • 「気持ち」「心持」を例に、青空文庫の集計結果と比較
  • BCCWJ内部でも生年による違いがある

レポートテーマについて(予告)

  • 授業で紹介したエディタやひまわり、中納言、表計算ソフトの使い方を活かして、たとえば次のようなテーマでレポートをまとめてもらいます。データは授業で配布・紹介したものを自由に利用してください。
    • 例:作家ごとの言葉の使い方の違い
    • 例:類義語の意味の違い
    • 例:語の用法の変化
    • 例:語形・(表記)のゆれ
  • などなど

2018/11/30 CHJ中納言の使い方

「中納言」の利用:形態論情報を使った検索

  • 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。

形態論情報を使った検索

  • まずは文字列検索で確認する

品詞体系と見出し語の階層

  • BCCWJ,CHJはUniDicの品詞体系にもとづく

2018/11/23(欅祭)

2018/11/16 検索結果の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

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

ひまわりによる検索・補足

『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

2018/11/9 検索結果のExcelによる集計

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

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

2018/11/2 全文検索システム「ひまわり」

  • 27日分検索課題(seikei portal)について
  • 正規表現小テスト

「青空文庫パッケージ」のインストール

  1. 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)
  2. USBメモリにコピーしたフォルダ内のhimawari.exeを起動
    1. Himawari画面上にドラッグ&ドロップ*1
    2. しばらく待つと完了(数分から10分程度はかかる)
  3. 要らなくなったUSBメモリ上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

himawari_aozora.png

ひまわり検索結果をExcelで扱う

  • 例:
    • 「気持ち」「心持ち」

2018/10/27(金曜授業実施日) 休講

  • 課題:SEIKEI Portalにて

2018/10/26 やや高度な正規表現

検索文字列の中での後方参照(復習)

  • 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
    • (..)\1\1
    • (...)\1

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

全文検索システム「ひまわり」について

「ひまわり」の導入

  • 動作確認

正規表現小テスト

2018/10/12 正規表現

  • 今日の練習用テキストデータ

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)

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

2018/10/05 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
    • 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

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

2018/09/28 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

テキストエディタ

  • 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)
  • 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

2018/09/21

イントロダクション

  • 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

ソフトウェアの種類・名前利用目的
テキストエディタ サクラエディタ正規表現を使ったテキストの検索・整形
全文検索ソフトひまわりデータの検索
表計算ソフトExcelピボットテーブルによる分析・グラフ作成
ワープロWord「スタイル」を利用したレポート作成
  • アンケート

*1 または、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

トップ   編集 差分 バックアップ 添付 複製 名前変更 リロード   新規 一覧 単語検索 最終更新   ヘルプ   最終更新のRSS