基于Python 數(shù)據(jù)獲取與詞頻分析的社會學(xué)應(yīng)用研究

黃澤銳，張澤慶

（山西師范大學(xué)社會學(xué)與法學(xué)學(xué)院，山西 臨汾041000）

很長一段時(shí)間以來，中國實(shí)行的是高中文理分科制度。但是隨著社會的發(fā)展，學(xué)科逐漸專業(yè)化，人們面對的問題卻似乎越來越復(fù)雜，計(jì)量經(jīng)濟(jì)、社會統(tǒng)計(jì)分析、數(shù)據(jù)可視化等領(lǐng)域?qū)χR能力的要求完全不在“文理”這樣的框架之內(nèi)。事實(shí)上，問題不僅僅能靠一個(gè)領(lǐng)域的知識解決?！蹲詺⒄摗愤@樣的社會學(xué)著作非常經(jīng)典，但是最讓人佩服的卻是優(yōu)美的數(shù)理邏輯與超凡的社會學(xué)洞見完美的結(jié)合?，F(xiàn)代社會，隨著機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的興起，Python 也逐漸流行起來。在社會學(xué)研究中，學(xué)習(xí)和運(yùn)用Python 可以為研究過程提供更加便利的數(shù)據(jù)獲取與處理途徑。

1 研究設(shè)計(jì)

本次新冠疫情不僅給中國人民帶來嚴(yán)重的公共衛(wèi)生危機(jī)，也深刻影響了社會各行各業(yè)的正常運(yùn)行。教育部發(fā)布公告，2020 年全國普通高等學(xué)校統(tǒng)一招生考試延期1 個(gè)月舉行。高考時(shí)間的推遲，不僅直接影響著考生的心態(tài)，對家長、教師也是一次嚴(yán)峻的考驗(yàn)。隨著互聯(lián)網(wǎng)的發(fā)展，微博逐漸成為當(dāng)代政治輿情發(fā)布的重要平臺[1]。因此，本文選取微博用戶作為研究對象和數(shù)據(jù)來源，其具有樣本代表性，且可以獲取大量樣本數(shù)據(jù)。

本文運(yùn)用Python 語言的爬蟲技術(shù)對目標(biāo)微博用戶的公開評論進(jìn)行數(shù)據(jù)獲取、分詞處理和詞頻分析。以符號互動視角為指導(dǎo)，對獲取的高頻詞進(jìn)行分類整理與詞意編碼，分析這些高頻詞條符號背后的意義與價(jià)值，進(jìn)而探究高考延期對微博用戶的影響。

2 數(shù)據(jù)獲得

本文數(shù)據(jù)來源于“央視新聞”微博，運(yùn)用Python 獲取微博用戶公開的性別數(shù)據(jù)及評論數(shù)據(jù)31 849 條，并對所獲數(shù)據(jù)進(jìn)行詞頻分析，選取頻率最高的400 個(gè)詞條進(jìn)行整理與編碼，最終形成了考試相關(guān)因素、看法與態(tài)度兩個(gè)三級編碼，如表1 所示。

表1 高考延期評論的高頻詞條編碼表

本研究基于Python3.8，程序設(shè)計(jì)流程如圖1 所示。程序設(shè)計(jì)分為2 部分，第一部分為獲取微博評論數(shù)據(jù)的爬蟲設(shè)計(jì)，第二部分為分詞與詞頻統(tǒng)計(jì)設(shè)計(jì)。

2.1 Python 爬蟲設(shè)計(jì)

網(wǎng)絡(luò)爬蟲（Web crawler），又稱為網(wǎng)頁蜘蛛、網(wǎng)絡(luò)機(jī)器人，是按照一定規(guī)則自動獲取網(wǎng)絡(luò)信息的程序。微博客戶端的訪問分為電腦端（PC）和手機(jī)端（Phone）兩種鏈接模式，用if 語句對兩種鏈接分類獲取。而微博對未登錄用戶采取限制翻頁措施，因此，需要用個(gè)人微博賬號進(jìn)行模擬登錄，并設(shè)定需要的評論頁數(shù)m（20 條/頁），當(dāng)m=max_page 時(shí)，輸出得到的data 文件并存為txt 格式。

2.2 Python 分詞和詞頻統(tǒng)計(jì)設(shè)計(jì)

使用Python 實(shí)現(xiàn)中文分詞功能，需要加載jieba 模塊。本文結(jié)合“百度停用詞表”“哈工大停用詞表”對模塊自帶的停用詞表進(jìn)行擴(kuò)充，以獲取更精確、更有意義的高頻詞條。隨后，加載爬蟲得到的data.txt 數(shù)據(jù)庫進(jìn)行詞頻統(tǒng)計(jì)并輸出為data_gp.txt，根據(jù)詞義進(jìn)行分類整理。

圖1 程序設(shè)計(jì)流程

3 數(shù)據(jù)處理與分析

本文在央視新聞微博評論區(qū)共獲取女性用戶數(shù)據(jù)25 219 條，占比79.2%；男性用戶數(shù)據(jù)6 630 條，占比20.8%。女性用戶比例顯著高于男性用戶比例。

3.1 考試相關(guān)因素

在高考延期的微博評論中，高考相關(guān)群體的高頻詞出現(xiàn)6 463 次，占總高頻詞的13.06%。其中，微博用戶對高三考生表現(xiàn)出很高的關(guān)注度，且弟弟、妹妹、學(xué)妹、學(xué)弟、孩子等稱呼使用較多，其次是同學(xué)和教師。有趣的是，前400 個(gè)高頻詞中的稱呼語中，可以看到學(xué)姐稱呼，卻看不到學(xué)長稱呼的出現(xiàn)。

相關(guān)考試與學(xué)期工作安排的高頻詞在微博評論中出現(xiàn)1 0131 次，大約占總高頻詞的1/5。微博用戶對于中考、考研等考試也有較多關(guān)注，并且對學(xué)期的工作安排也有討論。

數(shù)字和時(shí)間是比較有意思的一個(gè)點(diǎn)，詞條共出現(xiàn)3 749次，占比7.58%。雖然占比相對較低，但是可以反映出一些有趣的變化。較多出現(xiàn)的數(shù)字是圍繞本次高考推遲1 個(gè)月以及高考倒計(jì)時(shí)的討論，而“778”“678”“2003”等數(shù)字有2 層意義：2003 年因?yàn)镾ARS 將高考從07-07、07-08 提前到06-07、06-08，一直延續(xù)至今；“678”有“錄取吧”的諧音，預(yù)示著一個(gè)好兆頭，而2020 年的“778”普普通通，少了一絲靈氣。

3.2 看法與態(tài)度

微博網(wǎng)友對于高考延期發(fā)表自己看法的高頻詞達(dá)16 255 次，占總高頻詞的32.86%，“見證歷史”詞條的出現(xiàn)更是多達(dá)10 026 次，同樣意義的詞還有歷史性、載入史冊等。余下的高頻詞中，對高考延期的看法大多用使用描述震驚的詞條，其中臥槽和woc 都是網(wǎng)絡(luò)用語，表示驚嘆的常用語；活久見是指“活得時(shí)間久什么事都可能見到”的意思；牛批指的是牛皮，表驚嘆意；OMG 是oh my god 的縮寫，意為我的天吶，網(wǎng)友常用于表示震驚的情境。還有一個(gè)符號值得關(guān)注，是“....”，這個(gè)不規(guī)范的省略號也是網(wǎng)絡(luò)常用符號，有兩種意義，一是震驚到說不出話來，二是表示無語、無奈的意思。

微博用戶對此次高考延期表達(dá)自己積極態(tài)度的高頻詞有10 479 次，占總高頻詞的21.18%，“加油”詞條出現(xiàn)6 957次，加油一詞不僅可以給他人鼓舞，也可以對自己打氣，表達(dá)同樣意義的有努力、沖沖沖、奧利給、沖刺、奮斗等。其中，“奧利給”是網(wǎng)絡(luò)用語，表達(dá)加油的意思。

還有一些微博用戶對于高考延期表達(dá)了自己的消極態(tài)度，高頻詞出現(xiàn)2 395 次，占總高頻詞的4.84%。消極態(tài)度詞條都表達(dá)出一些高考學(xué)子內(nèi)心的痛苦，復(fù)習(xí)戰(zhàn)線的拉長，增加了一些微博用戶內(nèi)心的壓力；另一方面，太熱、最熱等詞條是考生認(rèn)為高考推遲到七月，酷暑炎熱可能會對其的狀態(tài)產(chǎn)生一定影響的表達(dá)。

4 總結(jié)

Python 獲取數(shù)據(jù)與詞頻分析在社會學(xué)的研究中可以很好地應(yīng)用，并且應(yīng)該繼續(xù)拓展其作用。Python 現(xiàn)已成為數(shù)據(jù)科學(xué)和智能科學(xué)等領(lǐng)域最流行的編程語言之一，但是在社會科學(xué)領(lǐng)域的使用較少。本文嘗試將Python 語言及其模塊應(yīng)用于社會學(xué)研究中，對大量微博用戶的評論數(shù)據(jù)進(jìn)行獲取和詞頻分析，運(yùn)用符號互動視角對數(shù)據(jù)進(jìn)行語義編碼研究，可以得出以下結(jié)論。

4.1 微博女性用戶對高考延期的關(guān)注度更高

從數(shù)據(jù)中可以看出，微博用戶中的女性群體對于高考延期有著更多的評論以及更高的關(guān)注度。微博使媒體的傳授結(jié)構(gòu)有了改變，有利于女性在媒介中的充分表達(dá)[2]。微博具有使用人群廣、傳播速度快、易運(yùn)用操作等特性，使用微博的女性用戶逐漸顛覆傳統(tǒng)媒體中女性的非自主性特質(zhì)，成為發(fā)布微博、發(fā)表評論、表達(dá)看法的主要力量。從前400 個(gè)高頻詞中只有學(xué)姐稱呼卻沒有學(xué)長稱呼也可以看出，關(guān)注高考推遲的微博用戶中，女性用戶的數(shù)量占據(jù)絕對的主導(dǎo)地位。

4.2 微博用戶對高考延期的看法和態(tài)度總體是積極向上的

由于新冠疫情在全球范圍內(nèi)還未得到控制，中國當(dāng)前防控工作的中心已逐步轉(zhuǎn)向嚴(yán)防境外輸入。所以本次高考延期到七月舉行，絕大多數(shù)的用戶是表示理解和支持的。雖然有些微博用戶對天氣炎熱可能導(dǎo)致考生發(fā)揮失常而抱有一絲顧慮，有些微博用戶對備考戰(zhàn)線的拉長心理壓力倍增，但是微博用戶的總體態(tài)度還是積極豁達(dá)、樂觀向上的。

4.3 微博評論的高頻詞有許多新興的網(wǎng)絡(luò)用語

網(wǎng)絡(luò)平臺和監(jiān)督機(jī)構(gòu)需要合理引導(dǎo)網(wǎng)絡(luò)用語的使用。互聯(lián)網(wǎng)空間已逐漸成為人們分享生活、獲取信息、表達(dá)情感的場所，隨之而來的網(wǎng)絡(luò)用語更是以其娛樂化、戲謔化的風(fēng)格解構(gòu)著社會傳統(tǒng)話語體系[3]。微博用戶對高考延期的看法和態(tài)度使用了一些新興的網(wǎng)絡(luò)用語，例如活久見（活的時(shí)間久什么事都可能見到）、奧利給（加油）等。這些用語在互聯(lián)網(wǎng)平臺中廣泛使用，形成一種不僅流行于網(wǎng)絡(luò)，也逐漸流行和影響現(xiàn)實(shí)的社會現(xiàn)象。因此，網(wǎng)絡(luò)平臺和網(wǎng)絡(luò)監(jiān)管機(jī)構(gòu)需要健全監(jiān)督機(jī)制，正確引導(dǎo)和使用網(wǎng)絡(luò)用語，這對凈化網(wǎng)絡(luò)空間，優(yōu)化傳播媒體有著重要的作用。