写日记有什么好处？ 第1页

作为一个写了大半辈子日记的人，我也来答一下这道题吧。

我从 2001 年开始写日记。第一部（初中）和第二部（高中）是在电脑上写的，文本一共 1.3 MB。2006 年上大学之后，因为大一不让带电脑，所以改在本子上写，之后就一直延续下来了。到现在为止，第三部（北京）、第四部（匹兹堡）、第五部（湾区）一共已经写了 40 本了。

这是月初搬家的时候，箱子里的全套日记本：

这个问题我老早就想回答，但迟迟没有答，是因为 @珞凌 的答案已经用最简洁的文字概括出写日记最主要的好处了：倾诉和纪念。我写日记最多的时候，也正是几次失恋和几次旅游。

不过呢，前两天翻看电脑里的旧文件的时候，我突然意识到，如果你写了很长时间日记的话，这些日记将会是一个很好的语料库，可以从中挖掘出很多东西。

比如，我研一时上过一门课叫「语言与统计」，在其中一次作业中，我就比较过我 2001 ~ 2006 年的日记（英文部分）与小说《1984》、课本《模式识别与机器学习》。之所以选这两本书，是因为我正好有它们的电子版。这次作业得到了不少有意思的结论，举例如下：

上图是日记、小说、课本三个语料库的 type-token 曲线。这些曲线是什么意思呢？它们的横坐标 x 是词数，纵坐标表示前 x 个词中有多少个不同的词。换句话说，曲线的陡峭程度，代表了生词出现的密集程度。从曲线上能看出什么结论呢？

• 小说、课本两条曲线开头比较陡峭，代表着它们的用词比日记丰富。这是很自然的，一个初中生的词汇量能大到哪儿去嘛！
• 虽然我的日记用词不那么丰富，但架不住它比《1984》长啊！所以到了最后，我的日记的总词汇量还是大于《1984》的。
• 课本那条曲线过了开头之后迅速变缓，这是因为课本翻来覆去讲的都是同一个话题，所以生词出现得并不多。曲线最末尾突然翘起来一个小尾巴很有意思，因为那里是参考文献，文献作者的名字基本都是生词。

上图是三个语料库中出现频率最高的 100 个词。当然其中大部分是虚词，一些有代表性的实词我都圈了出来。日记里的当然是以学校生活为主；小说的前 100 词中出现了两个主人公的名字和一些与主题有关的名词。课本则非常奇葩，很多术语的频率竟超过了很多常用虚词，distribution 竟位列第 21 名！课本的前 100 词中还有许多单个的字母，这些一般出现在公式里。

图 3 是从图 2 中把人称代词单独挑出来的结果。果不其然，日记中第一人称代词最多，小说中第三人称代词最多。课本本应该只出现 we 的；那个 I 是因为统计的程序分不清人称代词 I 和公式里的变量 i。

昨天晚上，我又写了一个小程序，统计每个单词在日记里出现的频率随时间变化的趋势。这里面也能看出一些有意思的东西。下面的图里，横坐标是日期，用从我出生后经过的天数表示，5600 是初中和高中的分界线；纵坐标是单词的出现频率，经过了比较狠的高斯平滑，纵轴的单位可以理解成「平均每天的日记里出现了几次」。

上图是我的两个网名 Akisame（秋雨）和 Maigo（迷子）的频率变化，果然前者越来越少，后者越来越多。Maigo 这个名字正是我高中参加信息学竞赛时在大榕树论坛上使用的 ID，也正是在这个论坛上变得为人熟知的。

这是与信息学奥赛有关的词和几个题库的频率变化。果然我是高中才开始认真搞竞赛的。USACO、Ural、同济三大题库的第一个高峰出现的时间，跟我开始刷它们的时间都是吻合的。

这是几种语言名称的频率变化。当然，Chinese 和 English 很多时候是作为「语文」「英语」两个科目名出现的。可见日语从一开始就与我同在了，韩语到高中才走进我的生活。最后那个百花齐放的高峰，来自我买了一台劣质电子词典之后写的吐槽文 XD

写到这里突然感觉有点遗憾，2006 年之后的日记都只有纸质版，没有电子版了。如果能把 18 年来的日记全都放到一起，统计一下一些地名、人名的出现频率变化，应该能挖掘出更多有趣的东西。