漢字的大數據分析與可視化

木合塔爾·沙地克 布合力齊姑麗·瓦斯力

摘 要：學國語是每位中國人的神圣職責。作為少數民族，學國語的難點莫過于是聲調。為了掀起學習國語的熱潮、揭開漢字聲調的神秘面紗，創新理念思路、創新方式方法對漢字進行大數據分析并可視化。首先自動獲取Unicode漢字字符集中的所有漢字及其拼音，其后進行基于聲調、多音字、同音字等多角度的分析并其可視化。分析發現，漢字中第四聲調的最多；忽略聲調有421種發音，前二十發音的漢字累計占比20%；加聲調有1202種發音，前二十發音的漢字累計占比10%。雖然漢字入門比較難進，但學會常用字后，無需死記硬背海量詞匯。

關鍵詞：多音字 同音字 聲調 基本漢字

中圖分類號：TP392 文獻標識碼：A 文章編號：1003-9082（2018）05-0-02

引言

中華文化歷史悠久，內涵豐富。能夠代表中華文化的符號數量眾多，其中最具有代表性的，一定非漢字莫屬。這不僅因為漢字是中華文化的載體，更是因為漢字本身就是中華文化不可或缺的組成部分1。漢字是世界上最古老的文字之一，已有四千多年的歷史。漢字的數量并沒有準確數字，大約將近十萬個，日常所使用的漢字只有幾千個。

Unicode 是全球文字統一編碼。它把世界上的各種文字的每一個字符指定唯一編碼，實現跨語種、跨平臺的應用。基本漢字Unicode編碼范圍為4E00-9FA5，其中：大陸（S）提出的漢字17124個，臺灣（T）提出的漢字17258個；S與T的并集，即中國（C）提出的漢字為20158個。日本（J）提出的漢字為12157個，中國未提出的690個（Ja）；韓國（K）提出的漢字為7477個，其中中國未提出的90個（Ka）；Ja與Ka并集共744字2。

《國家中長期語言文字事業改革和發展規劃綱要（2012-2020年）》提出了到2020年，普通話在全國范圍內基本普及，漢字社會應用的規范化程度進一步提高，漢語拼音更好地發揮作用3。十九大報告提出“文化是一個國家、一個民族的靈魂。文化興國運興，文化強民族強。沒有高度的文化自信，沒有文化的繁榮興盛，就沒有中華民族偉大復興” 4。

本文為了推廣和普及國家通用語言文字、提高國民語言文字應用能力、弘揚傳播中華優秀文化、掀起學習國語的熱潮、揭開漢字的神秘面紗，創新理念思路、創新方式方法，對Unicode基本漢字字符集中的20902個漢字進行了統計分析與可視化。

一、分析與可視化

1.聲調占比分析（含多音）

在基本漢字字符集的常用發音（即一字一音）聲調占比分析5基礎上，對含多音情況進行聲調占比分析，如表1所示：

表中看到，在基本漢字字符集中，發音為第一聲調的有7053個；第二聲調的有7734個；第三聲調的有4789個；第四聲調的最多，即9830個；輕聲或非漢字的有244個。在此基礎上，進行占比分析，如圖1所示：

圖中看到，第一聲調占比23.79%，第二聲調占比26.08%，第三聲調占比16.15%，第四聲調占比33.15%，輕聲或非漢字發音占比0.82%。

另外，發音總數有明顯增大，即20902個漢字共有29650中發音，比常用發音多出了8748個音。各聲調的發音數也相應的增加，其中第四聲的增幅最大，即增加了3167個，第三聲增加1418個，第二聲增加2098個，第一聲增加1969個，輕聲或非漢字發音增加96個。

2.多音字分析

在基本漢字字符集20902個漢字中，多音字有6164個（有兩個及以上發音），其中發音最多的前十漢字，如表2所示：

表中看到，有些漢字的發音包括非漢語拼音，如“欸”、“誒”等。

3.同音字分析

3.1不帶聲調情況

在基本漢字字符集20902個漢字中，共有421種不帶聲調的發音（即忽略聲調），其中前十同音字如表3所示（表中每種發音只取前十漢字）：

表中看到，讀音為yi的漢字共有364個，前十同音字中每個發音對應的漢字數均超過200。

3.2帶聲調情況

在基本漢字字符集20902個漢字中，共有1202種帶聲調的發音（不考慮多音字情況），其中前十同音字如表4所示（表中每種發音只取前十漢字）：

表中看到，讀音為yì的漢字共有203個，比不帶聲調的yi減少了161個，前十帶聲調同音字中每個發音對應的漢字數均超過90。

4.同音字頻率分布

4.1不帶聲調情況

對基本漢字字符集中20902個漢字的421種不帶聲調發音進行頻率分布分析，如圖2所示：

圖中看到，頻率最高的前二十個發音的漢字數占整個漢字的20%；yi，ji，yu，xi，zhi，li，yan，fu等八個發音的漢字占整個漢字的10%。

4.2帶聲調情況

對基本漢字字符集中20902個漢字的1202種帶聲調發音進行頻率分布分析，如圖3所示：

圖中看到，頻率最高的前二十個帶聲調發音的漢字數占整個漢字的10%；yì，lì，xī，yù，zhì，bì，jī，jì，qí，fú等八個發音的漢字占整個漢字的6%。

5.拼音云

5.1不帶聲調情況

繪制基本漢字字符集中20902個漢字的421種不帶聲調發音的拼音云圖，如圖4所示：

圖中看到，yi，ji，yu，zhi，xi等包含最多同音詞的不帶聲調發音以大字顯示。

5.2帶聲調情況

繪制基本漢字字符集中20902個漢字的1202種帶聲調發音的拼音云圖，如圖5所示：

圖中看到，yì，lì，xī，yù，zhì等包含最多同音詞的帶聲調發音以大字顯示。

結語

漢字的大數據非常博淵深奧，探淵索珠不易之事。本文只是對基本字符集中漢字的一知半解（因篇幅原因，除了聲調占比分析外，其它部分沒考慮一字多音情況）。學習漢字學的意義遠不止于了解漢字的這些特征，通過漢字的深入研究，可以獲得更多的靈感，學到更多的研究漢字的方法6。

中國文化起源于漢字，漢字對中華文明的傳播起到了不可或缺的作用。它是中華民族和世界的共同財富，不僅給漢民族帶來了文化的繁榮，也對我國其他少數民族的文化發展產生了深遠影響。在幾千年的歷史當中，繼續發展傳播日本、韓國、越南、新加坡等國家，在他們的文字和文化發展中發揮了重要作用。

文化認同是一種群體文化認同的感覺。對外來文化價值的認同，足以瓦解一國的政治制度，民族的凝聚力；反之，人民對本國自身文化的強烈認同，既是該國自立于世界民族之林的偉大精神力量，又是使民族在激烈的國際競爭中立于不敗之地。

學國語是每位中國人的神圣職責。作為少數民族，學國語的難點莫過于是聲調。經過分析發現，漢字中第四聲調的最多，忽略聲調時有421種發音，考慮聲調有1202種發音。雖然漢字入門比較難進，但學會常用字后，無需死記硬背海量詞匯。作為中華文化的傳承人，“要以科學武裝自己、把文化自信作為底氣，發展中國特色社會主義文化”4是我們不可推卸的責任。

參考文獻

[1]王立.漢字的強大生命力源自哪里？[EB/OL].（2017-11-30）[2017.12.4].光明日報微信平臺： http：//mp.weixin.qq.com/s/g3zVyAW0_Kq_VqcB_Kfcsg.

[2]漢典.漢字簡介. [EB/OL].[2017.12.4].http：//www.zdic.net/appendix/f21.htm.

[3]360百科.《國家中長期語言文字事業改革和發展規劃綱要（2012-2020年）》. [EB/OL].[2017.12.4]. https：//baike.so.com/doc/8706653-9028846.html.

[4]習近平.中共十九大開幕，習近平代表十八屆中央委員會作報告（直播全文）.[EB/OL].（2017-10-18）[2017.12.4].http：//www.china.com.cn/cppcc/2017-10/18/content_41752399.htm.

[5]木合塔爾·沙地克，布合力齊姑麗·瓦斯力. 用Python數據分析方法進行漢字聲調頻率統計分析[J].電腦知識與技術， 2017年12月（已錄用）.

[6]百度文庫.漢字學.[EB/OL].（2011-01-09）[2017.12.4].https：//wenku.baidu.com/view/f3f0e52558fb770bf78a55ba.html