Concordancia KWIC

ests.corpus.kwic(), ests.corpus.format_kwic(), ests.corpus.print_kwic(), ests.corpus.Concordance

Descripción

Una concordancia KWIC (keyword in context) - todas las apariciones de una palabra o de una expresión con su contexto a la izquierda y a la derecha, como en AntConc y textacy keyword_in_context. Muestra cómo se usa una palabra en un texto: con qué se combina, en qué formas y sentidos.

Las apariciones se buscan entre las palabras del texto: por la forma sin distinguir la caja, distinguiéndola (ignore_case=False) o por el lema (by_lemma=True: gatos se encuentra por gato, y una expresión se da por lemas - mirar a el pájaro - o tal como se escribe, porque cada una de sus palabras se lematiza). El texto y la palabra clave se dividen en palabras del mismo modo, con el tokenizador del pipeline español vacío, así que EE. UU. es una palabra en los dos, y la puntuación y los símbolos no son palabras de ninguno: ¿Dónde encuentra Dónde, 20 € encuentra 20. Las tildes forman parte de la forma: solo y sólo son dos formas.

Por lema, la palabra clave se lematiza con simplemma, y una palabra del texto se encuentra por su lema de simplemma y, en un Doc que lleva lemas, también por el lema del modelo. Los dos lematizadores se equivocan en sitios distintos y cada uno cubre al otro: en Mi amigo vino con una botella de vino el modelo da venir al verbo y vino al sustantivo, así que venir encuentra solo el verbo, donde simplemma, que no ve el contexto, no encontraría nada; en ¿Dónde pusiste las llaves? el modelo lee pusiste como pusistar, y simplemma deja que poner lo encuentre igualmente. El precio es que vino encuentra también el verbo, porque simplemma lo lee así.

El contexto son window palabras a cada lado tal como están escritas en el texto, con la puntuación entre ellas; los espacios se reducen a uno, y las apariciones no se solapan.

format_kwic alinea las líneas en la palabra clave: el contexto de la izquierda se recorta por la izquierda y se alinea a la derecha, el de la derecha se recorta por la derecha; print_kwic imprime el resultado.

Parámetros

Parámetro	Tipo	Por defecto	Descripción
source	str/Doc	-	Texto u objeto Doc
keyword	str	-	Palabra o expresión (palabras separadas por espacios)
window	int	5	Número de palabras de contexto a cada lado
by_lemma	bool	False	Comparar lemas en lugar de formas
ignore_case	bool	True	No distinguir la caja al comparar formas

format_kwic(concordances, width=40) y print_kwic(concordances, width=40): width es la anchura de un contexto en caracteres, al menos uno; los saltos de línea dentro de la expresión se sustituyen por espacios.

Resultado

Una lista de tuplas con nombre Concordance en el orden del texto.

Campo	Tipo	Descripción
start	int	Posición del primer carácter de la aparición en el texto
end	int	Posición tras el último carácter de la aparición
left	str	Contexto a la izquierda
keyword	str	Aparición tal como está escrita en el texto
right	str	Contexto a la derecha

Ejemplo

Ejemplo

from ests.corpus import kwic, print_kwic

text = (
    "El gato estaba en la ventana y miraba a los pájaros. Los pájaros se fueron y el gato "
    "se durmió en la ventana. Mañana el gato volverá a estar en la ventana y mirará a los pájaros."
)
lines = kwic(text, "ventana", by_lemma=True, window=3)
lines[0]
# Concordance(start=21, end=28, left='estaba en la', keyword='ventana', right='y miraba a')

print_kwic(lines, width=20)
#         estaba en la  ventana  y miraba a
#         durmió en la  ventana  . Mañana el gato
#          estar en la  ventana  y mirará a

[line.keyword for line in kwic(text, "mirar a los pájaros", by_lemma=True)]
# ['miraba a los pájaros', 'mirará a los pájaros']