透過Word Cloud「文字雲」分析財政預算案

「文字雲」有助我們做一些探索式的研究，用處在於可以將文本的一些宏觀思想甚至文風反映出來，有時就連作者本身也未必察覺得出

(疑似偽技術悶文出沒，慎入)

財政預算案上星期三公布，相信沒有太多人會細讀洋洋兩萬多字、宣讀了一個多小時的預算案文本。近年來半路出家學習了一點點Python程式語言編寫，就借用當中一些工具，對最新的預算案做一些文章分析。

咳咳，待我將頭盔先帶上：程式編寫我是幼稚園級，教學文不懂寫也不敢寫，這篇只是就着運算出來的結果做點分析和觀察，而有些政策觀點可能超出我這個茫茫人海中的銀號小職員能力所及，望有識之士指正。

用「文字雲」(word cloud)分析文稿

文章分析或是文字探勘(text mining)是近年大數據浪潮下廣受注目和歡迎的分析方法，博大精深，主要是透過電腦程式工具將大量文稿量化(quantify)再做統計分析，而將其運算結果圖像化(visualize)亦是一門學問。要做到這個目的，較為簡單直接的工具就是「文字雲」(word cloud)。

其實大家「文字雲」在理實生活中應該多多少少也接觸過，其製作過程十分直觀，大致上就是將整編文稿內的字詞出現頻率做個統計，統計完之後就按出現頻率高低，將字詞轉換成不同大小(常用詞的字體就比較大，不常用的就比較細)，然後放在一起變成一團「文字雲」。

我支持財政預算案由IU宣讀( 韓語也沒有問題)。

準備分析的過程

我用的是簡單易學的Python語言，當中有大量現成工具可令我們不用萬丈高樓從地起，輕鬆地踏在前人的腳步達到我們的目的。事實上，利用程式生成「文字雲」不難，難就難在事前要花多一點時間去處理資料，為方便大家理解分析結果，我也必須簡介一下做法。

簡單來說，步䠫如下：

1. 首先要下載預算案中文文稿，抽取正文，轉換成純文字檔案。
2. 由於文稿是中文，中文的分詞比英文更為複雜，例如「香港人勤奮靈活」應該被劃分成「香港人」、「勸奮」、「靈活」幾個詞語來進行，而不是「香」、「港」、「人」、「勤」、「奮」、「靈」、「活」七字。因此，亦要額外用到中文分詞工具，我用的是jieba分詞工具。
3. 在Python導入了預算案文本，整份預算案有大約2萬8千字(難怪波叔讀了近兩小時)。
4. 先用jieba分詞，然後再統計一下詞頻，會發覺「老是常出現」的多是標點符號以及「的、和、為、我們、我」等對分析意義不大的字，所以要額外用「停用詞」(stop words)詞庫去將這些大量垃圾資訊剔走(在很多朋友眼中，或者要整份預算案剔走)，而一些標準的中文「停用詞」詞庫可以容易在網上找到。