數字解析專欄：出版社有書名的偏好嗎？（二）

沒想到這麼快三個月就過去了！富奸了這麼久，終於要來繼續進行書名的分析啦！

先稍微幫我自己複習一下上次我寫了些什麼：上一次我對書名作了一些最簡單的前處理之後作了敘述統計，找重複出現三、四次的書名以及計算常見職業出現次數。

這樣一列才發現我上次寫的知識密度有夠低哈哈哈哈哈

這次則是要開始對書名進行自然語言處理了，但是因為我最近有點忙，只好先抓喵喵屋來做個比較小型的研究……而且只有一半（對不起我就是理由伯）

為什麼會想選喵喵屋？上一篇專欄我有提到一篇文獻回顧 (?)，是之前 CC 發現喵喵屋的書名常常異常相似，因此，事不宜遲讓我們來看看喵喵屋的書名分布到底長怎樣吧。

同樣要描述一下資料集：這次使用的是喵喵屋臉紅紅書系（書系號碼英文開頭為：BR）的書，從 2007 年 3 月出版的書號 BR001，到 2021 年 6 月出版的書號 BR1160。

這次的資料前處理有：

1. 刪掉 BL 部分，但誰來告訴我為什麼 BL 會同樣放在臉紅紅書系XDDD 
2. 刪除書名後的系列名，例如：「擒君共枕眠～婚從天將系列之三」→「擒君共枕眠」；比較值得注意的是，最後一次出現有在書名上清楚掛出系列名的書號是 BR1019，於 2018 年 7 月出版，也就是說，喵喵屋這三年的接近 150 本出版新作都沒有在書名上掛系列，至於主角本身是否有關係呢？我這幾年比較少看喵喵屋所以無法回答XDDD 不過感覺禾馬紅櫻桃書系也幾乎不掛系列了？
3. 刪除分成兩冊以上的書，只留一筆資料，例如：「很難不愛《上》、很難不愛《下》」→「很難不愛」；這邊同樣也有玩味之處，最後一本有分兩冊應該是 2015 年 5 月出版的「天下第一寵《續》」，不過接著就沒有出兩冊以上的書了嗎？應該是喵喵屋換了一個策略：同套作品不再同名分上中下，而是取相似的書名，舉例來說去年有一套三冊的書名是：徐秘書把總裁離了、總裁讓徐秘書又有了、總裁的徐秘書又跑了XDDD

做完前處理後，剩下了 1031 個不同的書名！

進行文字的研究有幾種不同的方式，但因為這只有前半部，因此我只作最簡單的那種，基本上還是敘述統計：把書名切成一個一個的詞 (Bag of Words) 再來算這些詞出現的頻率 (Term Frequency)。

華文的處理比較特別，因為華文的字 (character) 本身就是一個詞 (word)，和英文不同。

因此我用兩個方式來處理，第一個是把每個字分開、第二個是使用斷詞的方式分詞。

首先是各字獨立的情況：

大致上我都能理解，但為什麼「小」的頻率這麼高我比較遲疑XDD

於是我又回去翻了一下，有很多「小姐/大小姐」似乎還可以理解，但竟然有很多「小秘書」……

好的，我果然不夠懂喵喵屋。

第二個是透過斷詞的方式，跟之前藍海文案研究一樣，使用 CKIP 中研院的套件：

okay 這很喵喵屋！

總裁有 7% 的出現率啊！假設裏面有一半是古代稿，那就代表現代稿的總裁比例大概有 30% 啊！（至於確切的現代/古代比，雖然我有資料但我懶得算，抱歉了XDD）

這邊插一個題外話，我原本只有用到 2016 年 BR897 以前的資料，那時候的總裁倒沒這麼常見，反而是 BR898 到 BR1160 這 268 本中，總共出現了 41 次的總裁（雖然上面那個徐秘書就貢獻了 3 次XD），比例高達 15.3%……

舉 BR1060 到 BR1068 的 9 本書為例，總裁他出現了整整 6 次！6 次！剩下兩本古代稿有王爺、侯爺，另一本現代稿則有金主，根本是男主角的職業/身分大集合XDD

不過這也不代表以前的喵喵屋命名就好得很多，事實上我邊整理還是覺得這也太難記，像是有一個老大系列，七本書名分別是：老大的窩邊草、老大的圓仔花、老大的小家花、老大的牽牛花、老大的小冤家、老大的牆頭草、老大的回頭草，其他花花草草也就算了，但為什麼第五本是小冤家啊？Whyyyyyyyyyyyyyyyyy？

好的，這一篇大概就這樣，雖然我知道有失水準啦 (?)，只好硬塞一點笑點讓大家看得比較愉快一點（有吧！有嗎？），我真的是硬擠時間出來了嗚嗚嗚，下一次一定一定會進行向量化跟相似度的研究的。

至於那是多久之後的事就不好說了……