Motivação Link para o cabeçalho

Como exercício de programação, decidi verificar quantas citações cada um dos três personagens principais de Dom Casmurro (Bentinho, Capitu e Escobar) tiveram em cada capítulo da obra. A ideia é contar as ocorrências de cada nome em cada capítulo e, a partir disso, fazer o somatório geral desses valores.

Obtenção e Preparação dos Dados Link para o cabeçalho

O primeiro passo foi utilizar o Projeto Gutenberg para obter os dados. Isso permite que eu tenha acesso a uma versão razoavelmente oficial da obra, mas principalmente gratuita e em formato txt.

library(tidyverse)
theme_set(theme_minimal())
# devtools::install_github("ropensci/gutenbergr")
library(gutenbergr)
library(tidytext)
library(stringi)

# encontrar o codigo de dom casmurro

gutenberg_metadata |> 
  filter(title == "Dom Casmurro")

## # A tibble: 1 × 8
##   gutenberg_id title     author gutenberg_author_id language gutenberg_bookshelf
##          <int> <chr>     <chr>                <int> <fct>    <chr>              
## 1        55752 Dom Casm… Macha…                9685 pt       Browsing: Literatu…
## # ℹ 2 more variables: rights <fct>, has_text <lgl>

# baixar o arquivo correspondente

dom_casmurro_gutenberg <- gutenberg_download(55752)

# retirando o indice ao final

dom_casmurro_gutenberg <- head(dom_casmurro_gutenberg, -150)

A partir disso, é necessário separar o texto. Originalmente ele vem em parágrafos e é necessário separá-lo em palavras, removendo acentos e deixando todas as palavras em letras minúsculas:

dom_casmurro <- 
  dom_casmurro_gutenberg |> 
  unnest_tokens(word, text) |> 
  mutate(word = stri_trans_general(str = word, id = "Latin-ASCII")) |> 
  mutate(word = tolower(word))

Entretanto, algumas dessas palavras são marcadores de capítulos. Capítulos esses que estão em numeração romana. Para isso, foi necessário converter estes valores para numeração arábica:

dom_casmurro <- 
  dom_casmurro |> 
  mutate(capitulo = as.roman(word)) |> 
  mutate(capitulo = as.numeric(capitulo))

Em seguida, veio a parte mais complicada. Foi preciso criar uma coluna extra, chamada capitulo_novo, para manter a identificação de cada palavra. Isto é, todas as palavras do Capítulo I (1, na verdade), terão o valor 1 ao seu lado. Todas as palavras do Capítulo II (2), terão o valor 2 ao seu lado e assim por diante, para todos os capítulos (são 148, para quem ficou curioso).

Ao fim, renomeei capitulo_novo para capitulo, de modo a evitar confusões.

# encontrar o número do capítulo

capitulo <- dom_casmurro$capitulo
capitulo[is.na(capitulo)] <- 0

capitulo_novo <- 0

i <- 0

for (j in 1:length(capitulo)){
  
  if (capitulo[j] == i){
    capitulo_novo[j] <- i
    i <- i + 1
  }
  
}

capitulo_novo <- data.frame(capitulo = c(capitulo_novo, rep(NA, length(capitulo)-length(capitulo_novo))))

rm(capitulo)

dom_casmurro <- 
  dom_casmurro |> 
  select(-capitulo) |> 
  bind_cols(capitulo_novo) |> 
  fill(capitulo) |> 
  filter(capitulo > 0)

Visualização Link para o cabeçalho

Com os dados preparados, basta contar as ocorrências de cada personagem no livro. Em particular, Bentinho e Casmurro foram considerados como sendo o mesmo personagem.

personagens <- 
  dom_casmurro |> 
  mutate(word = ifelse(word == "casmurro", "bentinho", word)) |> 
  filter(word %in% c("bentinho", "capitu", "escobar"))

personagens_por_capitulo <- 
  personagens |> 
  group_by(capitulo) |> 
  count(word)

personagens_por_capitulo <- 
  expand_grid(capitulo = 1:max(dom_casmurro$capitulo),
              word = c("bentinho", "capitu", "escobar")) |> 
  left_join(personagens_por_capitulo) |> 
  replace_na(list(n = 0)) |> 
  group_by(word) |> 
  mutate(n_acumulado = cumsum(n)) |> 
  mutate(word = str_to_title(word)) |> 
  mutate(word = ifelse(word == "Bentinho", "Bentinho/\nDom Casmurro", word))

Com as contagens feitas, basta fazer o gráfico:

ggplot(personagens_por_capitulo, aes(x = capitulo, y = n_acumulado, colour = word)) + 
  geom_line() +
  scale_colour_viridis_d() + 
  labs(x = "Capítulo", 
       y = "Quantidade de Citações Acumuladas", 
       colour = "Personagem", 
       title = "Comparação de Citações entre os\nPersonagens Principais de Dom Casmurro",
       caption = "marcusnunes.me")

Claramente, Capitu é a personagem mais citada, o que não é um absurdo imaginar. Mas note como próximo ao capítulo 100 há um salto no número de citação de Escobar. Se refizermos o gráfico a partir do capítulo 90, Capitu e Escobar possuem um número de citações bem similar.

personagens_por_capitulo |> 
  filter(capitulo >= 90) |> 
  mutate(n_acumulado = cumsum(n)) |> 
  ggplot(aes(x = capitulo, y = n_acumulado, colour = word)) + 
  geom_line() +
  scale_colour_viridis_d() + 
  labs(x = "Capítulo", 
       y = "Quantidade de Citações Acumuladas", 
       colour = "Personagem", 
       title = "Comparação de Citações entre os\nPersonagens Principais de Dom Casmurro\na Partir da Metade da Obra",
       caption = "marcusnunes.me")