Métricas de estilo¶
ests.style_stats.StyleStats
Descripción¶
Módulo para calcular las métricas de estilo de un texto: los indicadores SEO de los servicios Advego y Text.ru - náusea, contenido de agua, índice de spam, naturalidad de la distribución de las palabras según la ley de Zipf y densidad de palabras clave - y los marcadores léxicos del estilo burocrático contra los que advierten las guías españolas de lenguaje claro: los sustantivos derivados de un verbo, las locuciones prepositivas del estilo administrativo, las expresiones parentéticas y los clichés. La fuente de datos puede ser un texto o un objeto Doc de la biblioteca spaCy.
Los servicios no publican sus fórmulas; se implementan las definiciones generalmente aceptadas, descritas en la sección de funciones. Por defecto las palabras se extraen en minúsculas sin lematizar, así que las formas de una palabra cuentan como palabras distintas, como en Advego. Para calcular por lemas, pase un objeto WordsExtractor con use_lexemes=True y lowercase=True.
Los marcadores del estilo burocrático se cuentan sobre las formas sin filtrar (forms), sea cual sea el extractor, según las listas COMPOUND_PREPOSITIONS, PARENTHETICALS y OFFICIALESE_CLICHES de ests.constants. Una expresión que termina en a o de también encuentra la contracción con el artículo (a efectos del), y una expresión que empieza por un infinitivo vale por las formas del verbo (proceder a encuentra se procedió a); véase densidad de expresiones. Los sustantivos deverbales necesitan las categorías gramaticales y los lemas: un Doc da su propia anotación, y una cadena se analiza con es_core_news_sm o con el pipeline pasado en nlp la primera vez que se lee verbal_nouns; las demás métricas de una cadena no necesitan modelo. Una cadena más larga que el max_length del pipeline se analiza en partes de oraciones enteras; solo una oración más larga que él levanta SourceError.
Nota
Las métricas se calculan al acceder al atributo correspondiente o al llamar al método get_stats del objeto StyleStats. Las normas de los servicios están pensadas para textos de varios cientos de palabras; en textos cortos la náusea y el spam dicen poco.
Parámetros¶
| Parámetro | Tipo | Valor por defecto | Descripción |
|---|---|---|---|
source |
str/Doc | - |
Fuente de datos (una cadena o un objeto Doc) |
words_extractor |
WordsExtractor | None |
Herramienta de extracción de palabras |
stopwords |
list[str]/set[str] | None |
Palabras vacías para el contenido de agua; si no se dan, se usan STOPWORDS y las expresiones parentéticas de una palabra |
top_n |
int | 10 |
Número de las palabras más frecuentes para la náusea académica y la naturalidad según Zipf |
cliches |
list[str]/set[str] | None |
Lista o conjunto de clichés; si no se da, se usa OFFICIALESE_CLICHES |
nlp |
Language | None |
Pipeline de spaCy que analiza una cadena para los sustantivos deverbales; sin él se carga el modelo es_core_news_sm |
Atributos¶
| Atributo | Tipo | Descripción |
|---|---|---|
words |
tuple[str] | Tupla de las palabras extraídas |
forms |
tuple[str] | Tupla de las formas sin filtrar en minúsculas; sobre ellas se cuentan los marcadores del estilo burocrático |
classic_nausea |
float | Náusea clásica |
academic_nausea |
float | Náusea académica en porcentaje |
water |
float | Contenido de agua en porcentaje |
spam |
float | Índice de spam en porcentaje |
zipf_naturalness |
float | Naturalidad según la ley de Zipf en porcentaje |
verbal_nouns |
float | Proporción de sustantivos deverbales entre los sustantivos en porcentaje |
compound_prepositions |
float | Locuciones prepositivas por cada 100 palabras |
parentheticals |
float | Expresiones parentéticas por cada 100 palabras |
cliches |
float | Clichés por cada 100 palabras |
Normas de los servicios:
| Métrica | Norma |
|---|---|
| Náusea clásica | como máximo 7, en la práctica 1-5 (Advego) |
| Náusea académica | 5-15% (Advego) |
| Contenido de agua | hasta 15% - natural, 15-30% - excesivo, más de 30% - alto (Text.ru) |
| Índice de spam | hasta 30% - natural, 30-60% - texto optimizado para SEO, más de 60% - texto saturado (Text.ru) |
| Naturalidad según Zipf | al menos 50% (pr-cy, megaindex) |
El contenido de agua del español
Las normas de Text.ru están pensadas para el ruso, que no tiene artículos; un texto en español tiene más agua solo por su gramática. Compare el contenido de agua de los textos entre sí, no con la norma.
Métodos¶
keyword_density¶
Devuelve la densidad de las palabras y frases clave: la frecuencia de cada una por cada 100 palabras del texto. Una frase de varias palabras separadas por espacios se busca como una secuencia de palabras, sin distinguir mayúsculas.
Parámetros:
| Parámetro | Tipo | Valor por defecto | Descripción |
|---|---|---|---|
keywords |
tuple[str] | - |
Palabras o frases clave |
Ejemplo
from ests import StyleStats
text = "Tres tristes tigres tragaban trigo en un trigal, en tres tristes trastos"
StyleStats(text).keyword_density("tres tristes", "trigo")
# {'tres tristes': 16.666666666666668, 'trigo': 8.333333333333334}
get_stats¶
Devuelve un diccionario con las métricas de estilo calculadas.
print_stats¶
Muestra una tabla con las métricas de estilo calculadas.
Ejemplo de uso¶
El mismo aviso escrito en estilo administrativo y en lenguaje claro.
Ejemplo
Código:
from ests import StyleStats
official = (
"En el marco del procedimiento de referencia, y a efectos de dar cumplimiento a lo "
"dispuesto en la normativa vigente, se procedió a la revisión de la documentación "
"presentada. No obstante, en virtud de la resolución de la comisión, se llevará a cabo "
"la notificación de la misma a la mayor brevedad, en tiempo y forma."
)
plain = (
"Hemos revisado los documentos que nos envió, como pide la ley. La comisión ha "
"decidido su caso y le avisaremos lo antes posible."
)
StyleStats(official).print_stats()
StyleStats(plain).get_stats()
Resultado:
Metric | Value
------------------------------------------------------------
Classic nausea | 2.83
Academic nausea (%) | 55.36
Water content (%) | 57.14
Spam score (%) | 37.50
Naturalness by Zipf's law (%) | 53.57
Verbal nouns (% of nouns) | 47.06
Compound prepositions (per 100 words) | 5.36
Parenthetical expressions (per 100 words) | 1.79
Officialese clichés (per 100 words) | 8.93
{'classic_nausea': 1.4142135623730951,
'academic_nausea': 47.82608695652174,
'water': 43.47826086956522,
'spam': 4.3478260869565215,
'zipf_naturalness': 100.0,
'verbal_nouns': 25.0,
'compound_prepositions': 0.0,
'parentheticals': 0.0,
'cliches': 0.0}
El aviso de 56 palabras tiene tres locuciones prepositivas (en el marco del, a efectos de, en virtud de), cinco clichés (dar cumplimiento, se procedió a, se llevará a cabo, a la mayor brevedad, en tiempo y forma) y una expresión parentética, y casi la mitad de sus sustantivos son deverbales; la versión clara no tiene ninguno de los marcadores. El anafórico de la misma, que las guías también desaconsejan, no se cuenta.