1. 국내영화 (건축학개론)

한국영화에 출연하는 배우에 대한 출현횟수를 바탕으로 배우에 대한 중요도를 따져본다. 필름메이커스 - 커뮤니티에서 한국영화 시나리오 - 건축학개론 시나리오를 다운로드한다. R 에서 MS 오피스 파일을 바로 읽어들이는 기능은 없기 때문에 아래한글에서 “건축학개론” 아래한글파일을 .txt 파일로 저장한다.

중요한 점은 utf-8 텍스트 파일로 꼭 저장한다.

1.1. 환경설정 및 데이터 가져오기

stringr, stringi, rebus 팩키지는 텍스트, 문자열 처리를 위한 R 3종 세트 팩키지라 바로 불러오고 나서, tidyverse 팩키지를 통해 데이터를 정제하는데 사용한다.

Warning message:

In readLines("data/건축학개론.txt", encoding = "UTF-8") : incomplete final line found on 'data/嫄댁텞?숆컻濡?txt'

상기와 같은 오류가 발생하되는 이유는 아래한글을 .txt 파일로 저장했을 때 파일 마지막에 엔터를 쳐서 줄바꿈을 하지 못해서 발생되는 문제다. 따라서, 건축학개론.txt 파일을 열어 맨 마지막에서 줄바꿈을 수행하고 저장하면 오류가 수정된다. 1

# 0. 환경설정 ---------------------------
#library(rebus)
#library(stringr)
#library(stringi)
#library(tidyverse)

# 1. 데이터 가져오기 -------------------
arch_101 <- readLines("data/건축학개론.txt", encoding = "utf-8")

1.2. 데이터 정제

아래한글을 건축학개론.txt 파일로 저장한 후에 텍스트 편집기로 열어보면 쉽게 시작과 끝을 파악할 수 있다. 대세에 지장없고, 형식적이지만 “건축학개론” 대본 시작과 끝을 뽑아낸다.

# 2. 데이터 정제 -------------------
## 2.1. 영화 대본본문 추출 시작과 끝 ------------------
start_line <- which(str_detect(arch_101, pattern = fixed("1. 오래된 집. 오후.")))
end_line   <- max(which(str_detect(arch_101, pattern = fixed("끝."))))

## 2.2. 영화 본문 추출
text_only  <- arch_101[(start_line):(end_line-3)]

1.3. 정규식 적용 등장배우 추출

정규식을 적용하여 배우를 추출한다. “건축학개론” 대본에는 배우명 다음에 탭(\t)을 일관되게 넣어 구분을 한다. 이러한 패턴을 잡아내는 정규식을 작성한다. 한글로 시작하는 단어(즉, 극중 배우명)가 되고 단어가 종료되는 시점에는 탭(\t)으로 표식이 되어 있다.

# 3. 출연 비중이 높은 배우 데이터 추출 ----------------------

## 3.1. 정규식
char_pattern <- START %R% one_or_more(char_class("가-흫")) %R% char_class("\t")
text_extract <- str_subset(text_only, char_pattern)

1.4. 통계작업과 등장배우 추출

앞선 정규식을 일부 변형(탭 제거)하여 등장배우만 추출한다. str_subset 함수로 등장인물이 출현하는 행을 뽑아낸다. 뽑아낸 행에서 패턴에 매칭되는 등장배우를 str_extract 함수로 추출한다. 그리고 table 함수를 활용하여 등장배우 활동성을 통계내고 이를 표로 작성한다.

# 4. 출연 비중 통계 작업 ----------------------
## 4.1. 정규식 매칭 데이터 라인 추출을 위해 탭제거
text_clean <- str_replace(text_extract, "\t", " ")
char_pattern2 <- START %R% one_or_more(char_class("가-흫"))
char_lines <- str_subset(text_clean, char_pattern2)

## 4.2. 패턴에 매칭되는 배우 캐릭터 추출
characters <- str_extract(char_lines, char_pattern2)

## 4.3. 최다 출연 배우 통계
char_tbl <- table(characters)

# 5. 그래프와 표로 마무리 작업 ----------------------
arch_char_df <- char_tbl %>% as.data.frame() %>% 
    dplyr::arrange(desc(Freq)) %>% 
    mutate(pcnt_ = scales::percent(Freq/sum(Freq)),
           pcnt = Freq/sum(Freq),
           cumpcnt = scales::percent(cumsum(pcnt))) %>% 
    dplyr::select(-pcnt)

arch_char_df
   characters Freq pcnt_ cumpcnt
1        승민  461 40.8%   40.8%
2        서연  418 37.0%   77.7%
3        은채   63  5.6%   83.3%
4      납뜩이   56  5.0%   88.2%
5      어머니   32  2.8%   91.1%
6        재욱   30  2.7%   93.7%
7      아버지   19  1.7%   95.4%
8      강교수   12  1.1%   96.5%
9      구소장   10  0.9%   97.3%
10       기사   10  0.9%   98.2%
11       동구   10  0.9%   99.1%
12     백피디    3  0.3%   99.4%
13       피디    3  0.3%   99.6%
14       직원    2  0.2%   99.8%
15   사촌동생    1  0.1%   99.9%
16   여자아이    1  0.1%  100.0%

arch_char_df %>% 
    mutate(characters = factor(characters, 
                               levels = arch_char_df$characters[order(arch_char_df$Freq)])) %>% 
    ggplot(aes(x=characters, y=Freq)) +
        geom_bar(stat="identity") +
        coord_flip() +
        labs(x="", y="")

  1. ‘Incomplete final line’ warning when trying to read a .csv file into R↩