瓦坎达口号

瓦坎达口号

1. 瓦坎达万岁英语怎么说

“瓦坎达万岁”的英语为：Long live wakanda

瓦坎达的英语：Wakanda

万岁的英语：Hooray;Long live

“瓦坎达”在影视中出现：

1、2010年电影《钢铁侠2》的结尾中，黑豹的故乡“瓦坎达”作为彩蛋出现，在尼克·弗瑞和托尼·史塔克的身边有一个地图，地图上的其中一个标志就是瓦坎达。

2、2015年电影《复仇者联盟2：奥创纪元》中，布鲁斯·班纳说出了“瓦坎达”。

3、2016年电影《美国队长3：内战》中的第一个彩蛋，黑豹帮助美国队长与冬日战士隐藏起来，将他们藏在瓦坎达。

4、2018年电影《黑豹》和《复仇者联盟3：无限战争》中瓦坎达是主要的故事发生地。

5、2019年电影《复仇者联盟4：终局之战》的结尾终极大战中，黑豹率领瓦坎达大军与众英雄一同抵抗灭霸。

扩展资料：

瓦坎达是美国漫威漫画中虚构的非洲国家，位于非洲东部，几个世纪以来，它一直处于与世隔绝的状态，表面上是一个贫穷落后的农业国家，实际是地球上科技最先进的国家，拥有独一无二的稀有资源振金。首都和最大城市是伯宁·扎纳，历代统治者被称为黑豹。

瓦坎达最特别的资源就是振金，一克就有一万美元的价值。拥有这种稀有矿物，瓦坎达这个非洲小国得以成为世界上经济最好的国家之一。

但由于孤立主义的关系，他们只有在需要的时候才会进行相关交易。振金用途很多，主要被用于军事发展上，像是特殊型号的哨兵机器人、美国队长的盾牌、其他种类的超级士兵等。

2. 为什么《复仇者联盟3》的瓦坎达大战中,人类都去肉搏

瓦坎达多年来隐世而居，在这一代黑豹当国王才对外公开国家实力。

这样一个在外界看来不过是个第三世界的贫穷国家，需要多强大的武力来抵御外敌呢？况且，如果不是外星人入侵，为了保护和隐藏自己，一道防护罩也就足够了。

瓦坎达很强大，科技很发达，但他们原本并没有打算进行这样的战斗。（那个天才少女小公主苏睿，你看她像是热衷于研制武器的战争狂人么？）科技并没有把瓦坎达改造成一个科技感十足的国家，它甚至还保持着古老的部落制度，可见他们并没有时刻准备着战斗的需求，因此也没有刻意去发展武器。

3. 有哪些深度漫威迷才懂的梗

【背锅侠托尼】

托尼已经不能算是钢铁侠了，在粉丝的眼中，托尼现在已经俨然变成了货真价实的背锅侠。托尼可以说是漫威最惨的英雄了，不论是在漫画还是在电影中。本来的托尼只是一个天才花花公子兼大富豪，自从成为了钢铁侠后，一系列的担子就压在了托尼的身上。浩克世界大战中，浩克被光照会流放到了外星，结果暴走的浩克又一次回来了，把托尼打的异常凄惨。秘密入侵中，斯克鲁人早已伪装潜伏在了地球，结果全面入侵解决之后，政府又把锅推到了托尼身上。还有种种的锅就不一一细数了，托尼是真的惨呀。

【浩克的无敌内裤】

比起来浩克，似乎他的内裤才更无敌呀。仔细想想，虽然变身之后，浩克全身的衣服都被扯碎，不过最后留下来的好像只有那条内裤。而且就算浩克经历了核爆炸这样重大的伤害，身上唯一没有损耗的就是自己的内裤了。虽然内裤可能是漫画尺度的最后一道防线，不过在美漫这个尺度不算小的平台，被脱光光的男英雄也不算少嘛，只能说还是浩克的内裤战斗力强呀！

【钢铁侠的反XX装甲】

钢铁侠有一系列的反XX装甲，不过有一个更为好听的外号，叫做反谁被谁砸装甲。最为典型的就是反浩克装甲吧，在浩克世界大战中被搬了出来，结果没几下子就被浩克干翻了。还有反雷神装甲，一开始看起来好像很强，不过到了最后还是被雷神拆掉了。就连反万磁王装甲，也经常被老万压制。唯一看起来战绩不错的就是反凤凰装甲了，不过把凤凰之力打成了五份似乎变得更麻烦了起来。托尼为什么如此惨呢。

【无敌的行星吞噬者又又又死了！】

行星吞噬者，人送外号吞叔，按照设定应该是漫威五大神之一，非常牛的存在，只不过在漫画的表现实在是太让人汗颜了，在漫画中，吞叔好像只要一出场就难逃挂掉的命运呀 ，有的时候挂掉的吞叔还被当做彩蛋，比如吞叔的头被人当成过飞船，吞叔的头盔还被人做成过座位，反正吞叔无论有没有直说，真的死过很多次就对了。不过吞叔好像实力非常不稳定，吃饱了的话上限极高，没吃饱的话下限也非常之低。

【斯坦.李老爷子】

斯坦.李老爷子基本上每部漫威电影都要客串一下子，这也是不少粉丝们津津乐道的梗，似乎一部漫威电影少了斯坦.李好像就缺了点什么，甚至连死侍这种大尺度片老爷子都客串了一波。

【肾虚大法师】

奇异博士虽然是漫威最强的大法师，但耐不住粉丝们爱到深处自然黑呀，认真钻研漫画的粉丝们居然发现了奇异博士的肾功能不是很好的秘密！好像奇异博士施法之后，总会表现的像是身体被掏空似的样子，似乎好像真的有些肾虚呀。

自然语言处理带你重温《复联3》台词，谁是最有个性的崽？

点击上方关注，All in AI中国

经过漫长的等待，漫威迷心心念念的《复联4》（《复仇者联盟4：终局之战》）终于来了，相信有不少人在工作日的凌晨守在大荧幕前，目睹了超级英雄们是如何再次拯救世界的。同时这场持续10年（甚至不止10年）的超级英雄故事也随着《复联4》的上映画上了句号。

关于剧情，观众们的感受千人千面，但数据从来都是最诚实的见证者。所以让我们来重温一下《复联3》，只不过回顾的不只是剧情，而是用自然语言处理（简称NLP）研究电影的脚本。

在本文中，我们会用NLP Python开源库spaCy来帮助我们处理和理解大量的文本，并分析电影脚本，以研究以下概念：

电影中排名前10位的动词，名词，副词和形容词。

由特定角色说出的动词和名词。

电影中排名前30位的实体。

每对人物台词之间的相似性，例如，雷神和灭霸台词之间的相似性。

除了这些，我们同时还会用代码解释spaCy是如何进行这些研究的。

对代码和技术词汇感兴趣的朋友可以关注本文，文中使用的词汇和术语大部分都是非技术性的，所以即使你没有NLP、AI、机器学习等专业技能，也能够理解本文想要表达的主要想法和概念。

疯狂泰坦

处理数据

实验中使用的数据或文本语料库(在NLP中通常称为语料库)是电影脚本。但是，在使用数据之前，我们需要对数据进行清理。主要是删除一些描述动作的评论或场景，以及说出该行台词的角色名字（实际上，该名称用于了解谁说了什么，但不是用于分析的实际语料库的一部分）。此外，作为spaCy数据处理步骤的一部分，我们不用标记为停止字的术语，也就是常用的单词，如"I"、"you"、"an"等。而且，我们只使用引理，也就是每个单词的正则形式。例如，动词"talk"、"talking"和"talking"是同一个词素的形式，其引理是"talk"。

在spaCy中处理一段文本时，我们首先需要加载语言模型，然后在文本语料库上调用模型。结果是一个Doc对象，一个保存已处理文本的对象。

import spacy# load a medium-sized language modelnlp = spacy.load("en_core_web_md")with open('cleaned-script.txt', 'r') as file: text = file.read() doc = nlp(text)

在spaCy中创建Doc对象

现在我们已经有了经过处理的语料库，接下来要开始我们的研究了。

十大动词、名词、副词和形容词

仅仅看动词就能知道电影的整体动作或情节吗?本文的第一个图表说明了这一点。

"I know", "you think"是一些最常见的短语

Know"、"go"、"come"、"get"、"think"、"tell"、"kill"、"need"、"stop"和 "want". 我们能从中推断出什么?可能是因未看过电影的缘故，作者根据这些动词总结出，《复仇者联盟3:无限战争》是关于了解、思考和调查如何去阻止某事或某个人的。

这就是我们使用spaCy获取动词的方法：

import spacy# load a medium-sized language modelnlp = spacy.load("en_core_web_md")with open('cleaned-script.txt', 'r') as file: text = file.read() doc = nlp(text)# map with frequency countpos_count = {}for token in doc: # ignore stop words if token.is_stop: continue # pos should be one of these: # 'VERB', 'NOUN', 'ADJ' or 'ADV' if token.pos_ == 'VERB': if token.lemma_ in pos_count: pos_count[token.lemma_] += 1 else: pos_count[token.lemma_] = 1print("top 10 VERBs {}".format(sorted(pos_count.items(), key=lambda kv: kv[1], reverse=True)[:10]))

那么副词的情况怎么样？

“我真的不知道你的头是怎么塞进头盔里的”——奇异博士

对于一部关于阻止一个人毁灭半个宇宙的电影来说，口语中有很多实证主义的成分，比如"right"、"exactly"和"better"。

我们已经知道动词以及副词的情况，所以接下来让我们一起来看看名词。

"你会用生命付出代价，Thanos会拥有那块石头。" - Proxima Midnight

看到"stones"作为第一出现并不奇怪，毕竟这部电影是关于石头的。第二个词是"life"，这是灭霸想要摧毁的东西，紧随其后的是"time"，而这正是《复仇者联盟》所没有的(注:"time"上榜也有可能是因为提到了时间之石)。

最后，我们俩看一下描述名词的形容词。与副词类似，形容词中也有"good"和"right"等表达积极意义的词汇，以及"okay"和"sure"等表示肯定的词汇。

"我很抱歉，小家伙。" - 灭霸

由特定角色说出的动词和名词

在此之前，我们看到了电影中提到的最常见的动词和名词。虽然这让我们对电影的整体感觉和情节有所了解，但它并没有说明角色的个人经历。因此，我们使用相同的程序来查找前十个动词和名词。

由于电影中有很多角色，我们只选择其中比较合理和完整的角色。这些角色分别是钢铁侠Tony Stark、奇异博士、格莫拉、雷神托尔(Thor)、火箭浣熊、 Peter Quill(星爵)、Ebony Maw（乌木喉）和灭霸。

下一张图片显示了这些角色使用的最常用名词。

星爵称德拉克斯什么?

我发现，在大多数情况下，英雄们最常用的名词都是伙伴的名字，这很奇怪，甚至令人耳目一新。例如，钢铁侠说了9次"kid"(指蜘蛛侠)，火箭叫了3次Quill (星爵)，而Quill自己叫了7次。

通过进一步的观察，我们可以推断出对每个角色来说什么是最重要的。以钢铁侠为例，数据表明地球对他来说是有价值的。与他相似的是格莫拉，她总是想着更高的目标"生命"、"宇宙"和"行星"，并最终为此付出了代价。奇异博士还有反复提到的另一个目标：保护石头。还有雷神托尔，他和灭霸之间有私人恩怨，并且连续喊了8遍他的名字。还有疯狂泰坦灭霸，他一直在收集无极宝石，另外就是关于他的女儿。

虽然名词是有表达意义的，但动词就不一样了。在下一张图片中可以看到，动词不像名词那样丰富多彩。像"know"、"want"和"get"这样的词占据了大部分的榜首。然而，有一个角色可能拥有整个语料库中最独特的动词:乌木喉(Ebony Maw)。灭霸的头号追随者，就像忠实的仆人一样，他的目标是得到时间宝石和宣扬主人的使命。他最常说的就是"hear," 和"rejoice."

"听我说，高兴吧。你有幸被伟大的泰坦所拯救……"——乌木喉

彩蛋：以下是格鲁特（Groot）最常用的名词。

我是Groot。

命名实体

到目前为止，我们已经掌握了超级英雄和反派们在这部史诗级电影中最常说的动词、名词、副词和形容词。然而，要充分理解这些词语和人物，我们还需要命名实体。

引用spaCy的网站上的话，命名实体是"指定名称的真实世界对象。例如，一个人、一个国家、一个产品或一个书名"。 所以，了解这些实体，意味着了解角色在说些什么。在spaCy包中，实体具有预测标签，该标签将实体分类为多种类型中的一种，例如人、产品、艺术品等。并给予我们额外的粒度级别，这可能有助于进一步对它们进行分类。

这些是前30个实体。

MAYEFA YA HU"是瓦坎达贾巴里战士的口号

第一位是灭霸，毕竟电影是关于他的，这不足为奇。第二位是他的女儿格莫拉，影片的核心人物之一。第三位是Groot，紧随其后的是Tony和其他复仇者以及一些地方，如纽约，阿斯加德和瓦坎达。除英雄和地点外，还有两个"六"(见实体号)。时间之石和灵魂之石分别位于第15位和第16位。令人惊讶的是，将灭霸带到地球上的心灵之石不在名单之列。

要访问spaCy中的实体，请像这样读取Doc的属性ents:

import spacy# load a medium-sized language modelnlp = spacy.load("en_core_web_md")with open('cleaned-script.txt', 'r') as file: text = file.read() doc = nlp(text)# create an entity frequency mapentities = {}# named entitiesfor ent in doc.ents: # Print the entity text and its label if ent.text in entities: entities[ent.text] += 1 else: entities[ent.text] = 1 print("top entities {}".format(sorted(entities.items(), key=lambda kv: kv[1], reverse=True)[:30]))

每对人物台词之间的相似性

当我们讨论每个角色最重要的动词时，我们意识到，与名词不同的是，大多数动词非常相似，并且表达的感觉非常相似。像"go"和"come"这样的词给我们运动的印象，或者给我们角色想要去或到达某个特定地方的感觉。诸如"kill"和"stop"之类的动词意味着确实存在一个必须阻止的巨大威胁。

考虑到这一点，为了进一步研究相似度的概念，我计算了每对字符的口语台词之间的相似度评分

NLP中相似性的概念描述了两段文本的合成或语法意义的接近程度。通常，相似性得分的范围从0到1，其中0表示完全不同，1表示完全相似（或两个文本是相同的）。从技术上讲，相似性是通过测量单词向量之间的距离来计算的，即单词的多维表示。

下图显示了相似度矩阵。

结果令人意外。其实所街结果相似度为1是可以接受的，因为这部电影本身就阐述了一个主要情节，对话关联度高是可以理解的。但是，他们的相似度太高了，看看灭霸就知道了，原本以为反派的得分会有很大不同。但庆幸的是，蜘蛛侠的分数变化很大，毕竟他只是一个在混乱中被抓住的孩子，结果有如预期。

这是如何在spaCy中计算两个文件之间的相似性的例子:

# for the full example on how I obtained all the similarities# see the full code at: https://github.com/juandes/infinity-war-spacy/blob/master/script.pyimport spacy# load a medium-sized language modelnlp = spacy.load("en_core_web_md")with open('tony-script.txt', 'r') as file: tony_lines = file.read() with open('thor-script.txt', 'r') as file: thor_lines = file.read() tony_doc = nlp(tony_lines)thor_doc = nlp(thor_lines)similarity_score = tony_doc.similarity(thor_doc)print("Similarity between Tony's and Thor's docs is {}".format(similarity_score))

回顾和结论

在电影《复仇者联盟3:无限战争》中，我们跟随超级英雄们展开了阻止灭霸毁灭半个宇宙的旅程。在整部电影中，我们了解到这些英雄大多有拯救世界的动机，这反映在他们表达自己的方式上。在本文中，我们在Python、NLP和spaCy中研究了英雄和反派们是如何通过他们的每句台词来表达和交流的，重温了钢铁侠对地球的忠诚、奇异博士保护时间之石的誓言、雷神托尔复仇的渴望以及灭霸毁灭宇宙的野心。

接下来，让我们一起期待终局之战吧！

编译出品