粉丝故事|日语语料库语言学方向的 Python 入门指北

提前声明

由于我的方向更偏自然语言处理，所以这篇文章只能分享下我认为从事语料库语言学方向，对 Python 的要求中和「术」相关的资料，主要以怎么写代码为主。

但是，这个方向的代码对统计思想和日语本质的理解的要求更高——也就是「道」，即「如何」想到该「怎么」写 Python 代码来验证自己的观点），这个方向我就不信口开河了，只推荐一篇很不错的知乎回答：文科生想自学一点统计学，看哪些入门书籍比较好？ 。虽然没有专门谈到日语，但也还是强烈推荐读读，剩下就靠大家自己摸索啦，也很期待大家的分享！

接下来就是正文啦。

入门书籍

首先，推荐王垠老师的如何掌握所有的程序语言， 这篇文章非常适合才开始学编程的人读读，可以帮助建立如何「正确」地学「编程」的认知。

入门学习材料的话，可以先看我的系列博客合集面向日语专业的 Python 自学&考证指北，重点看看北理工 Python 语言程序设计就好，其他大家应该用不上。

至于 Python 方向的入门书籍，除了上面博客提到的那本教材，大名鼎鼎的绿皮书《Python 编程：从入门到实践》也可以读一读。

至于国内出版的其他（尤其是中国人写的） Python 入门书还是算了，都不怎么样。

特别是 DeepSeek 火了之后，又冒出来一大堆垃圾教材，可能是因为赶时间，这类垃圾教材基本不提供配套视频，更有甚者连完整源代码都不给，看到这类教材直接丢垃圾桶就好。

但强烈推荐读读朱雷老师的《Python 工匠》。

由于这本并不是严格意义上的入门教材，第一次读可以忽略具体的 Python 代码，花半天时间过一遍，建立对「什么是好的 Python 代码」和「什么是垃圾代码」的感觉就行，之后有空拿出来多翻翻就好。

P.S. 如果只是搞学术研究，面向对象相关部分完全可以跳过，因为学术研究的代码一般用不上那里谈的技巧，但最后的「单元测试」部分最好认真读一下，而且最好动手用 unittest 写点单元测试，马上会解释这么建议原因。

《Python 日语数字人文之语料库语言学技术及其应用》这本书和我的方向不太一致，所以只看了目录，但感觉对（日语）语料库语言学方向的同学会有很大帮助。

如果读完上面还觉得意犹未尽，也可以关注下我的读书记录：

https://booklog.jp/users/39094f3f2e68946a（我在日本旧书店和图书馆闲逛时，碰到有意思的书都会扫码记录下来，但主要以 Python 后端和自然语言处理为主，大家有空看眼就好233）

面向单元测试学编程

如果是第一次学编程，最开始的1个月可以多花点时间看书，之后就尽量多花时间「改」代码吧。

「改」代码是指：先拿中文清晰准确地写清楚自己的要求，并提供「单元测试用例」——很多时候单纯描述容易产生误解，但有测试用例，GPT 往往能准确理解到底想要啥。然后，验证 GPT 生成的代码是否真的通过了「单元测试」，没通过的话，把报错丢给 GPT，让它改。通过的话，就可以继续提要求了。一定要小心，GPT 往往会违反要求偷偷修改一些不该改的地方，如果没有单元测试，这个时候很容易变成「新需求还没实现，新问题倒是出现了」的尴尬局面。

另外，实际研究中，如果自己爬数据，经常要写复杂的 pipline，但写这种东西基本不可能一蹴而就，要反复修改代码。如果没有单元测试，这个时候也很容易出现「本来的问题还没解决，又出现新问题了」的尴尬局面。

而且，不少研究项目往往横跨数月乃至数年，没有单元测试的话，几个月之后再看自己当初写的代码，可能真的会觉得「这啥玩意儿啊，与其修修补补，不如推了重写」（别问我为什么知道，过几年大家就懂了233）。

好吧，估计有同学已经猜到了，上面的观点总结成一句话就是「测试驱动开发」。

虽然网上关于这个方法的评价两极分化，而且这个东西讲给纯小白确实稍微早了点，但作为一个（曾经）完全不写单元测试的过来人，真心建议早点了解这个东西，因为这真的能帮大家少走很多弯路（当初要有人告诉我这个就好了，唉…）。

不过入门阶段没有必要专门看关于测试驱动开发理论的书，记住「写代码的时候，也尽量抽空写下单元测试」就行了。

适合阅读的 Python 入门项目

本来是想标题党一把，写成「适合读源代码的项目」，但我怕「源代码」这三个字直接把大家吓跑了（笑）。

不要紧张，推荐的都是和日语息息相关的「小」项目。

石川慎一郎老师的词频生成工具 用 Python 调 Mecab 写了一个非常实用的小工具，大家应该能用上。

Pythonで 日本語処理 入門 〜フリガナプログラムを作ろう〜 这个用的不是（学术研究常用的）Mecab，而是（工业界常用的）Sudachi。作为入门教程，写的真的非常好——思路清晰，详略得当，涉及的内容难度也恰到好处。不过标注读音的那部分可能稍微有点难，可以先收藏起来，哪天用到了再看也行。我在看到这个之前，花了周末整整两天才搓出个一样的轮子。大致思路倒不难，但要跑通所有单元测试就很花时间了。

接下来就是「真・源代码」级别的项目了。

从单元测试开始看起，一个方法一个方法地调试、理解，其实「读源码」真的没有想象中那么难，而且完全吃透一个「好」项目的源代码，对提升编程能力真的有很大帮助。

jaconv：如果要写爬虫构建语料库，应该就会用这个库来清洗文本。这个库出自专业工程师之手，优秀的架构设计+简洁的代码实现+完善的注释和测试，日专生才开始挑战读源码的话，我最推荐这个。

nonjishokei：基于词法学理论，专为辞典检索设计的轻量形态素解析器——好吧，不装了，这其实是我写的项目，非辞書•三重樱版本的 Python 实现，看一眼单元测试，大家就知道这个项目在干啥了。

但要提醒下，这个项目的重点不在 Python 上，而在对日语语法和词法学（全面而深刻）的理解——在电脑上跑下所有单元测试，大家就知道我为什么这么说（大放厥词）了。对计算词法学有兴趣的话，可以认真读读这个项目，但对语料库语言学研究好像确实没什么帮助……好好好，我承认我就是在夹带私货，但如果哪天大家要处理青空文库了，test_preprocess 应该有点帮助。

如果读完上面的项目还意犹未尽，可以去我收藏夹里的 Python 和 NLP 分类逛逛：

https://github.com/NoHeartPen?tab=stars

最后、ようこそ Python の世界へ、Happy Coding🍻！

留言讨论

你可以通过这里留言讨论。

“粉丝故事”专栏征文