AV女優の特徴ってなんだろう？　作品名から推測してみた！(^_^)/~~

18837 ワード
形態素解析 Python ワードクラウド スクレイピング Python テキストリンク

はじめに

みなさん、AVの作品名って気にしたことありますか？

私はふとした瞬間にある疑問が浮かびました。

「AVの作品名って、AV女優の特徴を表してるんじゃね？」
「もしそうなら、その特徴から自分のAV癖が分かるんじゃないかな？」

そう思ったら、いざ行動！
やっていきましょう

今回はワードクラウドという手法を用いて、仮説を立証していきます。
(私の好きな七沢みあさんに協力してもらいます。)

ワードクラウドとは？

「ワードクラウド」とは、文章中に現れる出現頻度の高い単語を抽出し、1枚の絵にしたものです。
ある文章がどんな傾向なのか視覚的に”パッと見”で分かるので、手っ取り早く、かつ取っつきやすい方法のひとつです。

HTML取得

import requests #webページを取得するライブラリ
from bs4 import BeautifulSoup #取得したHTMLのデータの中から、タグを読み取り、操作できるライブラリ

url = "https://ja.wikipedia.org/wiki/%E4%B8%83%E6%B2%A2%E3%81%BF%E3%81%82" #七沢みあのwikiURL
response = requests.get(url)
response.encoding = response.apparent_encoding #response.apparent_encoding に、正しい文字コードである SHIFT_JISが格納されている(文字化けを防げます)
soup = BeautifulSoup(response.text, "html.parser") #BeautifulSoup(解析対象のHTML/XML, 利用するパーサー(解析器))

#HTMLをインデントできる
print(soup.prettify())

正しくHTMLが取得できました。

作品名取得

span_list1=soup.findAll("td")
titles=[]
for i in span_list1:
    tmp=i.find("b")
    if tmp==None:
        continue
    else:
        print(tmp.text)
        titles.append(tmp.text)


上記の出力から、「!」マークや「-」マークなど今回の分析に必要ない要素が含まれているため、これから取り除きます。

クレイジング

changed_titles2=''.join(titles)
#print(changed_titles2)

#2.前処理(英語や記号を正規表現で削除)←文字列に対して有効
import re
changed_titles2=re.sub("[a-xA-Z0-9_]","",changed_titles2)#英数字の削除
changed_titles2=re.sub("[!-/:-@[-`{-~]","",changed_titles2)#記号の削除
changed_titles2=re.sub(u"\n\n","\n",changed_titles2)#改行の削除
changed_titles2=re.sub(u"\r","",changed_titles2)#空白の削除
changed_titles2=re.sub(u"\u3000","",changed_titles2)#全角の空白を削除

これで不必要な文字が取り除けましたね。
ここから、形態素解析に入っていきます。

形態素解析

import MeCab

changed_titles2=''.join(changed_titles1) #リストから文字列にする必要があります
text = changed_titles2
m = MeCab.Tagger("-Ochasen")#テキストをパースするためのTaggerインスタンス生成

#名詞のみを取り除いてみます
nouns = [line for line in m.parse(text).splitlines()#Taggerクラスのparseメソッドを使うと、テキストを形態素解析した結果が返る
               if "名詞" in line.split()[-1]]

for str in nouns:
    print(str.split())


nouns = [line.split()[0] for line in m.parse(text).splitlines()
               if "名詞" in line.split()[-1]]
print(nouns)


tomo=[]
dictionary={}

add_dictionary={"女子大生":4,"ノーパン":2,"レイプ":1}#正しく形態素解析できない部分を訂正
dictionary.update(add_dictionary)

for word in nouns:
    if word in dictionary:
        dictionary[word]+=1
    else:
        dictionary[word]=1

dictionary = sorted(dictionary.items(), key=lambda x:x[1],reverse=True)
for key,value in dictionary:
    print(key,value)
    tomo.append(key)

結果は！？

from wordcloud import WordCloud
import matplotlib.pyplot as plt

text_new=""
for i in tomo:
    text_new = text_new + " " + i

stopwords=["七沢","何","度","日","生","ノー","パン","レ","イ","プ","〜","中","女子大"]

word_cloud=WordCloud(background_color='white',font_path=r"C:\Users\tomoh\機械学習 able\ワードクラウド\meiryo.ttc",
                     min_font_size=3,prefer_horizontal=1,stopwords=stopwords)
word_cloud.generate(text_new)

plt.figure(figsize=(10,8))
plt.imshow(word_cloud)
plt.axis("off")
plt.show()

上記の結果は、七沢みあさんの特徴を正しく表していることが分かります。

なぜなら、七沢みあさんの動画を一本も見逃さず鑑賞した経験があるからこそ分かるものがあるのです。(経験談ですいません。)

思い返してみると、
・ツンデレ
・誘惑
・挑発
・女子大性
凄い惹かれるものを感じました。

もし彼女がいたら、この3点が揃ってたらいいなぁ…

他の女優さんと比較

高橋しょうこさんはグラビア界からデビューの有名な女優さんですね。
この結果から、「グラビア,アイドル,芸能人」という特徴はもちろん、「姉ちゃん,上司,誘惑」というワードからSっ気のある年上の女性の特徴も読み取れます。

怒られたい願望があるM気質の方におすすめですね。

三上悠亜さんは元SKE所属の人気の女優さんですね。
この結果から、「アイドル」という特徴はもちろん、「高級,快感,ソープ」というワードから、高級ソープ嬢の特徴も読み取れます。

お金はないけど、高級ソープを味わいたい方におすすめですね。

水卜さくらさんは、七沢みあさんを好きになる前にお世話になった女優さんです。
この結果から、「巨乳、地味」という特徴が読み取れます。
恐らく、アニオタの地味な巨乳の女性が好きな方におすすめになると思います。

以上の結果から、
私は「地味で、巨乳な、ツンデレ気質がある女子大生」が好きなことがワードクラウドから分かりました。

確かにそうかも

「巨乳」という点では、高橋しょうこさん、三上悠亜さんも一致しているが、
それよりも七沢みあさんと水卜さくらさんの動画を視聴する機会が多いことから、
今回の仮説は立証です。

皆さんもぜひお試しあれ。