山人何处君不见？东风一花倚阑干！

——《全唐诗》、《全宋词》统计分析报告

一、源起

前两天看到了邱怡轩写的统计词话（一）。受其启发，决定利用自己的编程及统计分析能力，对《全唐诗》和《全宋词》进行一个较为全面的统计分析与比较。于是便有了你现在看到的这篇文章。
此处使用到的原始数据、程序脚本及结果图表等均可以在文末找到下载链接。

二、数据

《全唐诗》及《全宋词》的原始数据均来自于网络。
通过基本的编码转换以及“简单”的过滤筛选之后，就得到了用于后续统计分析的数据。

三、工具

系统平台：Linux（Ubuntu 10.10，AMD64）。
Shell命令行：转换编码（iconv）与换行符（fromdos）。
Perl（v5.10.1）：用来过滤、筛选原始数据，得到可以用于后续分析的格式化数据。
R（v2.12.2）：统计分析及图表绘制。
其他：Vim（v7.2.330），TimeForScience。

四、结果

1.基本信息

补充：只考虑诗或词的主体内容的话，《全唐诗》共使用了7513种（个）汉字，而《全宋词》则使用了5750种（个）汉字。
此处的统计数据仅为约数，与其他的数据有一定的出入。主要原因在于原始数据的质量以及数据处理过程中的过滤筛选等。
相关的参考数据：
百度百科：《全唐诗》共收录唐代诗人2529人，诗作42863首。
玄烨为《全唐诗》所作的序中的说法：诗48900余首，2200余人。
日本学者平冈武夫的统计结果：《全唐诗》共收诗49403首，句1555条，作者2873人。
维基百科：《全宋词》收录宋代词人1330家，词作21116首。
Continue reading →