统计学研究生挖掘99个高频词汇编号码 武大博导说，这只是一个文字游戏

　　一位学习统计学的网友，利用所学将《全宋词》中出现的99个“高频词汇”统计出来，发在博客上。没想到，这篇博文很快就被大量转载，并有网友利用这些高频词汇重新“写词”。圆周率、生日、身份证号码都可以组成一首形式上的“宋词”。

　　在江汉大学刚刚举办的“诗词吟诵暨诗歌大赛颁奖会”上，不少学生讨论这个话题。真的存在网友说的“自动写词机”吗？记者展开采访调查。

　　《全宋词》中的99个高频词汇

　　话题的“始作俑者”是一位学习统计学的研究生，网名“yixuan”，他在博客上发表一篇文章：“突然想看看宋词里面什么样的意象是最常见的，比如可以做个频率分析什么的。当然文本挖掘需要分词，我没法在其中花太多时间，于是想出了一个土办法。”

　　宋词的句子都很短，最常见的词语一般是两三个字，这样可能的组合就更少了。比如“犹解嫁东风”这句话，可能的二字组合是“犹解”“解嫁”“嫁东”“东风”，三字组合是“犹解嫁”“解嫁东”“嫁东风”，词的字数越多，可能的组合就越少。

　　“yixuan ”统计出99个《全宋词》中的高频词汇。排在前面的依次为“东风(1382次)、何处(1230次)、人间(1202次)、风流(857次) 、归去(812次、)春风(802次)、西风(779次)、归来(771次)、江南(765次)。

　　“yixuan ”的这篇博文一发出来，很快就被另外一家网站转载，大量网友被这个有趣的话题吸引，纷纷发帖评论。

结果（排在第一的是无效字符，这跟数据源有关）：

Word Freq

1 1485　　2 东风 1382　　3 何处 1230　　4 人间 1202

5 风流 857　　6 归去 812　　7 春风 802　　8 西风 779

9 归来 771　　10 江南 765　　11 相思 753　　12 梅花 732

13 千里 676　　14 回首 656　　15 明月 651　　16 多少 648

17 如今 642　　18 阑干 630　　19 年年 613　　20 万里 590

21 一笑 582　　22 黄昏 550　　23 当年 542　　24 天涯 537

25 相逢 528　　26 芳草 527　　27 尊前 516　　28 一枝 512

29 风雨 505　　30 流水 472　　31 依旧 472　　32 风吹 471

33 风月 461　　34 多情 457　　35 故人 451　　36 当时 450

37 无人 445　　38 斜阳 438　　39 不知 430　　40 不见 429

41 深处 422　　42 时节 403　　43 平生 398　　44 凄凉 398

45 春色 394　　46 匆匆 383　　47 功名 383　　48 一点 378

49 无限 377　　50 今日 369　　51 天上 368　　52 杨柳 362

53 西湖 356　　54 桃花 354　　55 扁舟 353　　56 消息 351

57 憔悴 344　　58 何事 339　　59 芙蓉 338　　60 神仙 334

61 一片 334　　62 桃李 333　　63 人生 332　　64 十分 331

65 心事 329　　66 黄花 328　　67 一声 325　　68 佳人 324

69 长安 321　　70 东君 319　　71 断肠 316　　72 而今 315

73 鸳鸯 314　　74 为谁 313　　75 十年 310　　76 去年 309

77 少年 308　　78 海棠 307　　79 寂寞 306　　80 无情 306

81 不是 305　　82 时候 304　　83 肠断 303　　84 富贵 303

85 蓬莱 303　　86 昨夜 303　　87 行人 302　　88 今夜 301

89 谁知 300　　90 不似 299　　91 江上 298　　92 悠悠 296

93 几度 295　　94 青山 295　　95 何时 294　　96 天气 293

97 惟有 293　　98 一曲 291　　99 月明 291　　100 往事 290