我用Python做了六百万字的歌词分析，告诉你中国Rapper都在唱些啥
本文转载自公众号摩登天空杂志（ModernskyMag），作者：猫弟Azz
《中国有嘻哈》火了，作为一名对中国HipHop毫无了解的吃瓜群众，我开始好奇以下三个问题：
HipHop到底在唱些什么？
各个国家和地区的 Rapper 们想要说的唱的都有哪些特色？
如果想当一个Rapper，我应该怎样写词才能紧跟潮流又不会离题太远？
为了解答这个疑问，我用Python抓取了美英、台湾、香港、中国大陆四个地区，总共六千万的歌词，其中包括大陆600万的歌词，做了一些数据分析的工作，目的就是给我以及像我一样的吃瓜群众们一个有理有据的答案。
我的数据源选了X米音乐，写了好一会代码，抓取歌词的爬虫开始蹭蹭工作了⇣
爬虫一般会面对两个问题——
1.代理问题
频繁地抓取网站的页面，IP很容易被封。于是写了个抓免费代理的爬虫，抓了八百多个代理IP，够用了。
2.效率问题
10万首歌，即使是1秒一个请求，那得27个小时，我可等不了27个小时。
于是我决定开10个线程，三小时程序就能跑完。
……
然后在三小时之后，我收获一个约100M，49419首歌的数据库。
接下来，就是一些数据清洗、处理、分析的工作。
虾米的歌词都是用户编辑上传的，格式不适用数据分析，所以我得把无用的符号、编曲、作词之类的信息除去（格式统一有多么重要啊朋友们），然后中英文各自分词。英文需要去停词（对数据分析无用的词，一般没有实际含义，如is、on、at、which），大小写变换，以及词形变换。英语中词汇有单复数、各种时态，为了易于分析，需要还原为词干。另外不管是中文还是英文都需要词性标注，一般来说分析也就分析名词和形容词，这些现成的开源库使用（此处省去1000万字）。
总之，我都搞定了，以下就是分析结果。我们先看看大陆地区的rapper歌词里有都写啥关键词⇣
“世界”和“时间”占据首位，“老子”、“兄弟”、“baby”、“money”、“bitch”、“real”等词倒是让rapper的形象呼之欲出。rapper的词里频繁提到“音乐”、“歌词”、“旋律”、“歌曲”，可见他们对自己的音乐非常在乎。嘻哈音乐由于有freestyle的文化，对亲自写词有要求，否则就不“ real ”，从节目中他们对偶像rapper的diss也能看出来。
接着，我们来看看与其他几个地区的关键词对比↓
看起来rapper的生活差不多，无论大陆还是台湾，都喜欢喊“baby”，身边都有一群“兄弟”和“朋友”，有“梦想”，平时都在唱“hip hop”，有“烦恼”了就骂骂街。
亮点是美国的关键字top1是“nigga”，这个和带有种族歧视意味的“nigger”还不是一个词。关于这个Tupac有过一个有意思的定义。
nigger : a black man with a slavery chain around his neck.（黑奴）
nigga : a black man with a gold chain on his neck.（金链黑汉子）
美国rapper fetty wap
接下来，为了了解rapper的生活状况，我开始分析一些常见词汇在歌词中出现的频率。饶舌歌手们的生活想必少不了豪车，出门骑摩拜可能有被开除rap籍的风险。
感谢维基提供汽车品牌页面，并且很贴心的分了英语名称、中国大陆译名，于是我又写了个爬虫把品牌名称抓下来，然后统计数据库中每个品牌出现的频率。
这是各汽车品牌在国内16284首嘻哈歌曲中出现的情况，在一首歌的歌词中出现算一次，总共约有400多首歌中出现至少一次汽车的品牌名字。可以看出，饶舌歌手喜欢宝马和奔驰的很多，特点只有一个，就是贵！其实夏利、桑塔纳等车也有不少歌提到，但一般表达的是消极情绪。
然后我又统计了一下rapper们都喝什么⇣
*红色是国内饶舌歌手的数据，黄色是总数据
看来饶舌歌手不那么喜欢喝威士忌，排在威士忌前面的还分别有龙舌兰、白兰地、朗姆酒，限于图表大小我没将这几个列入图表。香槟作为富有的象征，遥遥领先，不过国内的饶舌歌手似乎处于消费尚未升级的水平，啤酒排在首位。外国人比较喜欢金酒，国内的饶舌歌手几乎没提到，虽然金酒一般用来调鸡尾酒，但是鸡尾酒提到的次数也是少得可怜。
饶舌歌手喜欢互相diss（怼），所以他们diss时会骂些啥？让我们来看看他们都骂了什么脏话。
这个统计有个小插曲，第一次统计发现一个中文脏话都没有，还以为净网运动成功了，结果发现分词的词库里压根就没脏话的词汇，重新手动加入词库后就好了。
（左边是所有数据的出现次数，右边是大陆说唱的出现次数）
大陆16284首歌有2496首出现脏话，脏话率约为15%，而非大陆的数据中，33134首歌有13217首出现脏话，脏话率约为40%。
总的来看，我国歌手比较符合社会主义核心价值观。我试着把“damn”和“shit”这两个不那么“脏”并且口语常见的词在国外的统计中去掉，最后脏话率还有33%，比例远远高于大陆。一个推测是，英文脏话词汇在歌词中更容易押韵，或者唱起来flow更好把握。另一个可能是审查原因，早有“in3”这样的乐队因为歌词原因被禁，国内的rapper创作起来可不能太奔放。
最后我们来探讨一下rap里的押韵。
在《中国有嘻哈》中我们看到有单押、双押、三押，各种层出不穷的押韵。旋律、押韵、节奏是说唱歌曲三个很重要的评判标准，一个好的押韵，能让歌曲的flow更加流畅。
那么我们怎么才能唱出酷酷的押韵呢？我从歌词库中取出所有歌词，分词，然后根据韵母、声调分类，然后得到了一个押韵词汇文件。
韵脚的分布挺有趣的，我统计了一下出现前十的两字词语韵脚⇣
可以看出，i i这个韵脚是最容易押韵的。下图的这个韵脚的部分词汇。“势利”，“世纪”，“日志”，“秘密”……
看着这些词汇，我就情不自禁rap起来了，drop the beat！
双押x9 达成！
以上应该能告诉你中国到底有什么样的嘻哈了。