别再只画词云了！用NetworkX挖掘《三国演义》隐藏的‘朋友圈’与势力图谱

从词频统计到关系网络：用NetworkX解锁《三国演义》的深层人物图谱

当大多数人还在用词云展示《三国演义》人物出现频率时，我们已经可以更进一步——揭示那些隐藏在文本深处的联盟、敌对与权力枢纽。传统词频统计就像只看到了历史舞台上的演员名单，而社会网络分析（SNA）则能还原整场戏剧的角色互动与势力版图。

1. 为什么词云不够？文本分析的维度升级

词云工具能快速呈现"谁说的多"，但无法回答这些关键问题：

• 曹操与刘备的直接互动究竟有多少次？
• 诸葛亮是仅仅出场次数多，还是真正处于信息交换的核心位置？
• 当吕布这个名字出现时，通常与哪些人物形成强关联？

NetworkX构建的共现网络可以量化这些"关系数据"。我们定义两个人物如果在同一段落出现即产生连接，通过累计共现次数计算关系强度。这种分析方法与历史学家研究"谁与谁结盟"的思路高度一致。

提示：中文古典小说的段落结构天然适合共现分析，段落转换往往意味着场景切换

2. 环境配置与数据预处理

2.1 核心工具链

# 基础分析套件 import networkx as nx # 网络分析 import jieba.posseg as pseg # 带词性标注的分词 from collections import defaultdict # 高效计数 # 可视化组件 import matplotlib.pyplot as plt plt.style.use('ggplot') # 更美观的绘图风格

2.2 人物别名归一化

处理古典小说必须解决的核心问题：

实现代码示例：

name_mapping = { '孔明': '诸葛亮', '卧龙': '诸葛亮', '云长': '关羽', '关公': '关羽', '玄德': '刘备', '刘皇叔': '刘备' } def normalize_name(raw_name): return name_mapping.get(raw_name, raw_name)

3. 构建人物关系网络的实战步骤

3.1 共现关系提取算法

1. 段落级扫描：以\n划分段落，保留自然场景上下文
2. 双向关系计数：避免(A,B)和(B,A)被重复记录
3. 权重归一化：将绝对次数转换为0-1之间的相对值

def build_relation_network(text, main_chars): relation_counts = defaultdict(int) paragraphs = [p for p in text.split('\n') if len(p) > 10] # 过滤短段落 for para in paragraphs: present_chars = set() for name in main_chars: if name in para: present_chars.add(name) # 记录所有共现组合 chars_list = list(present_chars) for i in range(len(chars_list)): for j in range(i+1, len(chars_list)): pair = tuple(sorted((chars_list[i], chars_list[j]))) relation_counts[pair] += 1 # 权重归一化 max_count = max(relation_counts.values()) if relation_counts else 1 return {k: v/max_count for k,v in relation_counts.items()}

3.2 网络中心性指标解读

计算节点重要性的三大指标：

典型人物对比：

# 计算各项指标 degree_cent = nx.degree_centrality(G) betweenness_cent = nx.betweenness_centrality(G) # 结果示例 print("诸葛亮的中介中心性：", betweenness_cent.get("诸葛亮", 0)) print("吕布的度中心性：", degree_cent.get("吕布", 0))

4. 多层次关系可视化技巧

4.1 权重阈值分层

设置不同权重区间呈现差异化的关系强度：

• 核心联盟（权重>0.6）：用粗实线表示，如"刘备-诸葛亮"
• 一般关联（0.3<权重≤0.6）：细实线表示，如"曹操-许褚"
• 弱联系（权重≤0.3）：虚线表示，如"孙权-马超"

def visualize_network(G, weight_thresholds=[0.3, 0.6]): pos = nx.spring_layout(G, k=0.8, iterations=50) # 按权重分类边 strong_edges = [(u,v) for (u,v,d) in G.edges(data=True) if d['weight'] > weight_thresholds[1]] medium_edges = [(u,v) for (u,v,d) in G.edges(data=True) if weight_thresholds[0] < d['weight'] <= weight_thresholds[1]] weak_edges = [(u,v) for (u,v,d) in G.edges(data=True) if d['weight'] <= weight_thresholds[0]] plt.figure(figsize=(12,12)) nx.draw_networkx_nodes(G, pos, node_size=800, alpha=0.8) # 分层绘制边 nx.draw_networkx_edges(G, pos, edgelist=strong_edges, width=3, alpha=0.9, edge_color='darkred') nx.draw_networkx_edges(G, pos, edgelist=medium_edges, width=2, alpha=0.6, edge_color='orange') nx.draw_networkx_edges(G, pos, edgelist=weak_edges, width=1, alpha=0.3, edge_color='gray', style='dashed') nx.draw_networkx_labels(G, pos, font_size=10, font_family='SimHei') plt.axis('off')

4.2 动态演化分析

通过分章回构建网络，观察关系变化：

# 分章回分析示例 chapter_networks = [] for chapter in text.split('第'): # 简单按章回分割 if not chapter: continue G_chapter = build_network(chapter, main_chars) chapter_networks.append(G_chapter) # 计算诸葛亮在各章的中介中心性 zhuge_evolution = [nx.betweenness_centrality(G).get('诸葛亮',0) for G in chapter_networks]

5. 从数据回到文本：验证与解读

当发现夏侯惇的中介中心性异常高时，回到原文验证：

1. 定位其关键连接点：主要关联曹操与曹仁
2. 文本证据："操令夏侯惇为都督，引曹仁、李典等守樊城"
3. 历史背景：夏侯家族在曹魏军中的桥梁作用

这种分析方式不仅验证了网络指标的可信度，更能发现传统阅读容易忽略的次级重要人物。