古籍用字字頻的統計

1.0 . 提要：這是筆者對前二篇 <一般古籍用字量統計>、<古籍用字與現行通用字比較> 的補充資料，進一步的統計了古籍用字的字頻。前二篇曾在”北大中文論譚”提出，參見 ---

http://www.pkucn.com/viewthread.php?tid=247004&extra=&page=1

http://www.pkucn.com/viewthread.php?tid=248240&extra=&page=1

2.0 重新統計結果

用字量統計如果沒有字頻這項 ”函數”，會有輕重不分的缺憾。因此重新作了這項統計。所用”文本”與前大同小異，刪除了<大戴禮記>，因為它不在十三經之內，增加了古代字書<爾雅>。另一點與上次統計不同的是，用字紀錄內照原稿保留了少數簡化字，不作轉換。文本共計40種，總字數約650萬，下表是重新統計的結果：

典籍類別	文本字數	用字量
經類	605,827	5,582
史類	2,296,144	7,442
子類	717,057	5,770
集類	2,859,622	8,929
經史子集(全)	6,478,310	11,070
全集+爾雅	6,489,768	11,522

3.0 統計的方式

各文本紀錄重復字的數目，並自動累加而得。字頻表達的方式有二：其一是該字在文本中出現的次數，其二是該字的千分率 (0.1%)，例如 經類 前20字的字頻是：

之 23433	之 38.68
不 11253	不 18.57
也 10905	也 18
以 10794	以 17.82
其 10222	其 16.87
子 10155	子 16.76
人 10137	人 16.73
而 9453	而 15.6
曰 7941	曰 13.11
於 7912	於 13.06
有 6459	有 10.66
者 5972	者 9.86
為 4859	為 8.02
則 4788	則 7.9
大 4725	大 7.8
公 3784	公 6.25
君 3562	君 5.88
無 3532	無 5.83
夫 3035	夫 5.01
王 2949	王 4.87

如上表， “子”字在經類文本605827中出現10155次，即千分之16.76 或1.676%

(10155/605827=0.01676)；”夫”字出現3035次，或千分之5.01。

4.0 古籍用字11,522的字頻

字頻大的以千分率表示，小的以在文本(650萬字)中出現的次數表示。

a. 字頻在千分之 24.09 (之)至0.01(昕)的有4864字，詳見筆者網頁 ---. http://chinese.exponode.com/9_3.htm

下表100字是示例。

之 24.09

不 15.04

曰 14.05

也 13.2

以 12.07

而 10.9

人 10.26

為 9.46

其 8.79

子 8.68

有 8

者 6.81

於 6.48

王 6.32

一 5.14

下 5.1

大 4.98

上 4.81

是 4.62

無 4.57

天 4.44

十 4.39

所 4.28

公 3.95

中 3.73

三 3.59

則 3.53

二 3.47

與 3.44

道 3.35

此 3.34

年 3.22

君 3.18

言 3.16

得 3.07

故 3.04

可 3.03

將 3.02

在 2.99

國 2.97

自 2.97

的 2.95

見 2.9

事 2.77

行 2.76

相 2.71

如 2.7

時 2.67

至 2.65

來 2.64

本 2.63

五 2.61

使 2.57

生 2.47

書 2.46

文 2.45

太 2.44

夫 2.41

出 2.41

能 2.39

臣 2.39

何 2.37

日 2.36

山 2.32

侯 2.3

知 2.29

後 2.22

四 2.2

我 2.19

皆 2.19

說 2.15

然 2.15

了 2.13

謂 2.1

軍 2.09

帝 2.06

乃 2.04

長 2.02

又 2.01

矣 2.01

明 1.97

作 1.97

去 1.96

今 1.95

地 1.92

月 1.9

百 1.83

漢 1.83

家 1.8

民 1.76

東 1.76

從 1.75

傳 1.71

欲 1.71

非 1.71

士 1.68

南 1.67

當 1.66

注 1.65

諸 1.63

入 1.63

安 1.61

用 1.58

成 1.58

兵 1.57

令 1.57

未 1.57

及 1.56

陽 1.55

必 1.54

西 1.54

已 1.54

善 1.53

秦 1.53

馬 1.53

死 1.53

若 1.52

乎 1.52

高 1.52

方 1.49

心 1.49

主 1.49

亦 1.48

齊 1.47

六 1.47

字 1.47

禮 1.47

楚 1.46

武 1.46

先 1.44

立 1.43

世 1.43

水 1.43

他 1.42

小 1.42

多 1.41

名 1.41

陵 1.4

聞 1.39

周 1.36

門 1.36

官 1.35

數 1.35

都 1.34

于 1.34

命 1.32

城 1.29

萬 1.28

德 1.28

同 1.25

b. 字頻較小但出現次數在2以上的有4882字，下表100字是示例，詳見筆者上述網頁。

愀 32	爇 32	狶 32	轢 32	壚 32	劄 32	撩 32	崛 32	姧 32	鵑 32
腎 32	惋 32	碕 32	蛛 32	价 32	培 32	朧 32	鑼 32	漪 32	跗 32
櫺 32	舸 32	凳 32	呻 32	貙 32	擋 32	蕘 32	歹 32	蟹 32	瀕 32
曶 32	邂 32	燠 32	諄 32	狽 32	阱 31	駛 31	燋 31	瑒 31	淅 31
磑 31	串 31	嗽 31	鄯 31	蝣 31	倜 31	賃 31	窅 31	稿 31	珂 31
篠 31	嘩 31	膻 31	鯤 31	叵 31	錘 31	杌 31	庳 31	爚 31	飴 31
篪 31	飼 31	魑 30	槽 30	鴃 30	姪 30	扰 30	杲 30	牷 30	唳 30
厝 30	呷 30	矗 30	咆 30	洵 30	舡 30	蝮 30	呴 30	蹔 30	捻 30
嚻 30	嘒 30	蒜 30	琁 30	葳 30	萱 30	菡 30	簠 30	瀣 30	碌 30
窖 30	庰 30	皿 30	拈 30	灣 30	鑲 30	敻 30	啻 30	鸛 30	塾 30

.c. 在650萬字的文本中只出現一次的有1776字，詳筆者上述網頁。

下表為字例(100字)

矙 1

锾 1

諈 1

滖 1

虆 1

嚘 1

溹 1

键 1

褮 1

毼 1

铠 1

騥 1

螝 1

閴 1

搣 1

铨 1

鱞 1

螜 1

鞷 1

锹 1

諞 1

虇 1

踼 1

阠 1

螚 1

螔 1

煟 1

朹 1

虈 1

楪 1

搨 1

虍 1

镐 1

呎 1

饇 1

溦 1

锈 1

鸉 1

顜 1

螖 1

暆 1

锜 1

嚗 1

煚 1

锒 1

煣 1

犑 1

锚 1

溳 1

鸄 1

阊 1

佝 1

楀 1

鸅 1

獊 1

餪 1

籮 1

间 1

闻 1

犌 1

騝 1

镇 1

螛 1

韟 1

楥 1

阑 1

麠 1

椴 1

楘 1

螈 1

锨 1

鼞 1

証 1

镉 1

鷾 1

菔 1

鱴 1

豥 1

獥 1

豦 1

繑 1

佒 1

货 1

贫 1

资 1

癵 1

贼 1

誃 1

贳 1

犞 1

賌 1

严 1

坅 1

丽 1

举 1

夆 1

两 1

丝 1

专 1

犝 1

5.0 古籍用字與現行通用字比較

台灣通用字(13060)與古籍用字(11522)有交集的為10146字，占88%。其字頻從大到小都有，而字頻只出現1次的有 喎、虇、虈、鱀、椴、虆、忨、詄、袶、蠦…1095字，可見現行台灣通用字規範，己相當考慮到古藉用字。

古籍用字與大陸規範草案8300字的比較，有二種方式，(一)是把古籍用字簡化，(二)是把8300字繁體化，使二者立於同一基礎上比較。上次我採用(一)式，本次採用(二)式，把大陸8300字轉為繁體後，與古籍11522字作比較，有交集的為6911字，占了古籍用字的60%，卻占了規範字 (8300)的83%。可見大陸規範(8300)也有8成與古籍有呼應。

	台灣規範13060	大陸規範 8300(缺3字)
有交集的	10146	6911
交集占古籍用字	88% [10146/11522]	60% [6911/11522]
交集占現行通用字	78% [10146/13060]	83% [6911/8300]

觀察大陸新公佈的<通用字草案>，在8300字中有58個類推簡化字尚未編碼，而其對應的繁體卻是有碼的。筆者不了解，為何這些罕用字需要類推簡化。照早期簡化類推先例是”常用字類推，而罕用字不類推”，例如 攙/搀，而巉不類推，镵則聲旁不類推。又如 撲/扑、樸/朴、僕/仆常用簡化，而 噗/噗、璞/璞、濮/濮、蹼/蹼…不常用不簡化。再如 溝/沟、構/构、購/购 常用簡化，而耩/耩、篝/篝、遘/遘、媾/媾…不常用不簡化。

若把類推限定在某一範圍，或某一原則，則草案中很多字可直接採用繁體，不必簡化。尤其那些只有形符不同的字(金/钅、糹/纟、魚/鱼、鳥/鸟…)實無類推簡化的必要。這樣做有三大好處：

1. 可使大陸通用規範字與古籍用字配合

2. 縮小兩岸規範字的字形差異

3. 減少unihan碼位的擴充。否則Ext.C、Ext.D…沒完沒了。

6.0 古籍用字統計的總結

現在我把有關古籍統計的3篇文稿，作個總結：

這不是一個嚴謹的精確的統計，文本是從網上隨機取樣的，其中有無錯字、缺碼並沒有校核。這更不是全面的統計，成千種的古籍中只選取40種。雖然如此，選錄的都是具有代表性的重要典籍；統計的結果也使我獲得了不少訊息：

1. 就一般通行的古籍(如四書五經、唐詩宋詞等)而言，古籍用字不會超過12000字。與台灣現行通用字有交集的約近九成。

2. 古籍用字中有不少異體及訛字存在，約占7%。

3. 我認為古籍整理應依其使用目的分為二類，其一供專家學者研究我國古代社會史用的，儘可能存真。其二供大眾閱讀認識傳統文化用的，儘可能通俗，把文中的訛字、異體訂正。

4. 通俗古籍版本可有簡體及繁體二種，為求正確對譯，當務之急，應先解決繁簡”非對稱”字的問題。(依筆者最新統計”一簡對多繁”有269字，”一繁對多簡”有19字)

5. 大陸通用字如需擴充，最好參照古籍用字或台灣規範擬訂，並依早年”常用簡化、罕用不簡化”的原則進行，以減少大陸、台灣以及古籍用字間的差異，為未來華夏”書同文”立下基礎。