王胖的生信笔记第39期-关于Wordle

最近大家可能都玩过汉兜（https://handle.antfu.me/，没玩过的赶紧试试，真的好玩）。这个游戏是从Wordle来的，不过原版猜测次数是六次，而且规则因为是英语稍有不同。设计这个游戏的公司已经估值超过十亿刀乐了。

今天就来简单试一下分析Wordle的一些数据，使用的是Rview上的教程。稍微改了一些地方。

https://rviews.rstudio.com/2022/02/21/wordle-data-analysis/

配置环境+获取数据

library(httr)
library(dplyr)
library(stringr)
library(ggplot2)
library(ggthemes)
library(scales)
library(tidyr)
url = "https://www.nytimes.com/games/wordle/main.18637ca1.js"
wordle_script_text = GET(url) %>%
  content(as = "text", encoding = "UTF-8")

这是nyt上面出Wordle题的函数。里面内容很多，我们需要的数据是五个字母的单词（为啥我觉得这里可以埋个五字不行的梗）。就需要使用stringr里面的函数进行拆分提取。

word_list = substr(
  wordle_script_text, # 里面第一个五个字母词语是cigar；最后一个是shave
  str_locate(wordle_script_text, "cigar")[,"start"], 
  str_locate(wordle_script_text, "shave")[,"end"]) %>%
  str_remove_all("\"") %>%
  str_split(",") %>%
  data.frame() %>%
  select(word = 1) %>%
  mutate(word = toupper(word)) # 去除\ 保证每个词语独立，同时转化为大写

反正一共两千多个词语。

统计字母频率

letter_list = word_list %>%
  as.character() %>%
  str_split("") %>%
  data.frame() %>%
  filter(row_number() != 1) %>%
  select(letter = 1) %>%
  filter(letter %in% LETTERS) %>%
  group_by(letter) %>%
  summarize(freq = n()) %>%
  arrange(desc(freq))

这里是把两千多个词语全部拆成字幕，统计字母频率.

filter(row_number() != 1)这一步是因为走到那里会有个多出来的c（为啥会有可以去思考一下），不是原来2309个词语里的。

统计出来的词频是这样的

这和英语语料里的字母词频并不完全对应（取样问题）


（来源于https://en.wikipedia.org/wiki/Letter_frequency）

可视化一下

ggplot(letter_list, aes(
    x = reorder(letter, (-freq)),
    y = freq,
    fill = reorder(letter, (-freq))
  )) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = mycolors)+
  geom_text(aes(x = reorder(letter, (-freq)),
                y = freq,
                label = comma(freq, accuracy = 1),
                vjust = 1),
            size = 2) +
  scale_y_continuous(labels = comma,
                     expand = c(0,0)) +
  theme_clean() +
  xlab("Letter") +
  ylab("Frequency") +
  labs(caption = "Modified by WangPang\nshengmingwangjat@qq.com") +
  ggtitle("Letter Frequency in Wordle's Official Word List")+theme(legend.position="none")

这里前面配色不会的可以发邮件or私信交流呀。

进一步统计各个位置的字母频率

ordered_letter_list = word_list %>%
  separate(word,
           sep = "",
           into = as.character(1:6)) %>%
  select(-1,
         "l_1" = 2,
         "l_2" = 3,
         "l_3" = 4,
         "l_4" = 5,
         "l_5" = 6)

可以思考一下为啥要在select那里去掉第一个。

build_df = function(df, col_name) {
  new_df = df %>%
    group_by(letter = eval(sym(col_name))) %>%
    summarize(freq = n()) %>%
    arrange(desc(freq))
  return(new_df)
}

利用这个函数可以拆分各个位置字母的数据。

然后写个循环批量输出图

极简打分法

这一次先写到这？下次介绍一下极简的打分方法。