分析自己在大学期间读过的书（一）

今天整理了大学期间的读书记录，看着长长的书单，觉得应该将这些书分个类，看看自己在大学期间的阅读习惯是什么样的。结果分了十几分钟连十分之一都没有分完，感觉很累。在数据分析中有个概念叫聚类，而我的目的是把书分类，这两件事是差不多的吧，那应该就有工具可以帮我做这个事情。

程序员要善于利用工具

于是我开始在网络上搜索，看有没有现成的程序可以用。

不一会儿，就在知乎上找到一个 你用 Python 做过什么有趣的数据挖掘/分析项目？

剪切式编程

可喜可贺，里面还有代码示例，看着很简短。虽然不会 python，但是照猫画虎还是可以的。将代码拷贝下来，改了改。中间遇到一些中文编码的问题，磕磕碰碰的，但最后也搞定了。

生成的图片如下：

book history

图片中显示的文字越大，说明词频越高，从图片看来，我读过最多的是 XXX 程序设计 这类的书，嗯，很有道理。

有待完善

不过从这个图本身看来，还有不少小问题，比如

1. 分词不够理想，皮格马利翁是一个词，不应该被分开
2. 出现了重复的词，Java 在图片上出现好几次，按理说，同一个词根据词频的高低不同显示为不同的大小之后，只会出现一次。仔细看可以发现，图片上出现的三个 Java 其实是不同的，第一个只有 Java 这个单词，第二个是 Java 中文，第三个是 Agile Java。这么看来，还是 分词 的问题

虽然从这个图片中看不到太多有用的信息，但是整个过程还是挺有意思的。而且，我还可以继续从读书记录里面挖掘出来更多的信息。很容易想到的就是，我可以给书加标签，用标签来给书做聚类分析，这样应该可以得到更有价值的信息。

新的思路

不过给两百多本书加标签，比分类的工作量要大得多，毕竟每本书可以加若干个标签。

于是，我又想到，可以借鉴使用豆瓣上现成的标签

豆瓣图书标签

这样就不用自己加标签了。我只需要请求豆瓣的 API，拿到读书记录中所有书的标签就行了，工作量一下子小了很多。

找了一圈，发现原来豆瓣没有根据书名直接招书的 API，想要精确的定位一本书，需要用 ISBN。想想也有道理，同名的书可能有很多，根据书名确实无法唯一地定位一本书。那该怎么办呢？

未完待续……

今天时间不多，就先到这里吧，挖个坑以后慢慢埋……