摘下满天星歌词 数据说话 文本挖掘林夕、黄伟文的43万字歌词

本文转载自微信公众号“大数据文摘”，微信号：BigDataDigest

作者/斑斑斑比

在我十几年的听歌生涯里，熟悉的歌曲可以说有80%以上的作词，都是出自香港两大金牌词人——林夕和黄伟文之手，粉丝界也出了不少文章从二人的韵脚使用、意识形态、选材议题尤其是爱情观等角度做分析，甚至网络上还有流传"林夕引进门，皈依黄伟文"的说法。作为他们的迷妹，并且最近恰好在看一些关于文本挖掘的文章，忍不住从文本挖掘的角度对他们的歌词做了一个颇粗浅的分析。

首先我通过Python爬虫在虾米音乐上抓取了所有他们的歌词文本，对比了虾米、网易云和QQ三大音乐门户，虾米上收录的比较全，但是抓取下来的数据也不能保证囊括了两人出道来所有的作品，所以呢结果仅作参考。

对抓取结果进行去重和去空文本后，约43万字，其中夕爷跟歪闷字数比例7:1左右，从文本歌曲数来看，夕爷跟歪闷大约一个8:1的比例，看来歪闷单曲平均字数更丰富？夕爷年均产量63首，歪闷年均产量11首。可以说夕爷绝对属于天道酬勤自带天赋的努力型选手，这应该也是夕爷在大陆知名度更高的主要原因，生产力带动了市场覆盖率，虽然歪闷没有夕爷那么高产，不过在含金量方面应该是更胜一筹的多金型选手，毕竟分母更小。

接下来是对他们两人所有的歌词文本通过Python库作分词、词性处理和情绪分析。我把每个文本里的"你、我、他"等单字和oh yeah之类的语气词去掉后，用剩下的词语分别生成了两人肖像字符云，上图是夕爷，下图是歪闷

"没有"是两人词云里最突出的词

"没有"是两人词云里最突出的词，前段时间有篇文章分析了香港四十年来歌曲关键字的变化，说在90年代后，歌坛关键词从以前的"相思、鸳鸯、我心"切换成了"没有"，词云的结果就刚好对应上了这个结论，90年代后，夕爷和歪闷包揽了香港歌坛绝大部分传唱度高的词作，而这两人使用频度最高的词就是"没有"。

歪闷则是从亚洲冲出欧洲，从香港东京，到冰岛巴黎蒙马特，这可能是他偏爱时尚，喜欢时装展的关系。

当我看到南美洲这个地名的时候，突然想起了一首经典，就是歪闷作词，张国荣作曲和旁白，黄耀明演唱的《这么远那么近》，下面是一大段张国荣性感的独白：

我由布鲁塞尔坐火车去阿姆斯特丹， 望住窗外，飞越过几十个小镇，几千里土地，几千万个人。我怀疑，我们人生里面，唯一可以相遇的机会，已经错过了

而歪闷的世界板块也真的像这首歌写的：

我由亚洲一直飘到，南美洲

两人的情感曲线分析

我把情感分数高于0.6的歌词文本定义为整体用词是比较正面的，反之则是比较负面，先来看看夕爷的：

可以看到夕爷的大部分是过了正面及格线的，并且很多刚好是踩线及格。

歪闷的呢则是参差不齐，大起大落，有高有低，可以说正负两面一半一半吧。

平日里听歌的时候，总觉得夕爷的歌词里满是惨兮兮惹人怜的情绪，而歪闷的相对是直面疮疤手起刀落的感觉，为什么文本情绪分析出来夕爷的歌词的正面意义高达70%，而歪闷的则是正负意义不相上下呢？

我仔细想了一下，夕爷是引佛入词，虽然世事无常但是要从中解脱要包容要宽宏，虽然我爱的人不爱我但是"我们是朋友还可以问候"，"你掌心的痣我总记得在哪里"，"离开你六十年但愿能认得出你的子女"。所以正面的歌词文本是要远远超过负面，别忘了，夕爷还有《快乐崇拜》、《wuha》、《北京欢迎你》之类积极向上的歌曲。而歪闷呢，更注重坦白内心的疮疤，虽然血迹斑斑但是要迎刃而解，我爱的人不爱我所以我"渡日月穿山水仍在恨那谁"，"你没有好结果，来让你一生最喜欢和珍惜那人也摧毁你一生完全没半点恻隐"但是"我为我生存""明日我必须振作"，"活得比你好"，因此可以说表达的正负面意义是一半一半。

好了，先收工。下回再看看更深入的挖掘。