Huella literaria

fingerprinting(texts, segment_len=10, metric=None, x_size=800, y_size=600, cmap='viridis', ax=None, labels=None)

Visualización de la huella literaria (literature fingerprinting, Keim y Oelke 2007).

Cada texto se corta en segmentos de segment_len palabras con un paso deslizante de una décima parte del segmento, y para cada segmento se calcula una medida de diversidad léxica. Todos los segmentos tienen segment_len palabras, así que los valores son comparables: cuando el paso deja palabras tras el último segmento, uno más termina con el texto, y un texto que no es más largo que un segmento es un solo segmento.

Un texto es un bloque de cuadrados, sus segmentos fila a fila, de 8 filas de alto, o una sola columna con a lo sumo 8 segmentos; un bloque más ancho que el área de dibujo se parte en filas de esa anchura. Los bloques van de izquierda a derecha y pasan a la fila siguiente dentro de un área de 2 · x_size de ancho, que crece hacia abajo desde 2 · y_size cuando necesitan más altura. La barra de colores va del menor al mayor valor finito en todos los textos; los valores no definidos (nan en segmentos demasiado cortos para la medida) y las celdas vacías de un bloque son de un gris claro, distinto de cualquier valor, incluido el cero.

La función es la del núcleo anyTS; las medidas de diversidad léxica de esTS, funciones de una lista de palabras como calc_ttr o calc_simpson_index, sirven de metric. El título por defecto es el inglés de VISUALIZER_LABELS en anyts.constants; labels lo sustituye.

Las cinco primeras ventanas de 1000 palabras de seis novelas del corpus de literatura, tres de Galdós y tres de Unamuno, según el índice de Simpson:

from ests import WordsExtractor
from ests.corpus import split_windows
from ests.datasets import SpanishLiterature
from ests.diversity_stats import calc_simpson_index
from ests.visualizers import fingerprinting

sl = SpanishLiterature()
sl.download()
titles = (
    "Marianela",
    "Misericordia",
    "Torquemada en la hoguera",
    "Niebla",
    "Abel Sánchez",
    "La tía Tula",
)
novels = {
    record["title"]: record["text"]
    for author in ("galdos", "unamuno")
    for record in sl.get_records(author=author)
    if record["title"] in titles
}

we = WordsExtractor(lowercase=True)
texts = [
    we.extract(window) for title in titles for window in split_windows(novels[title], 1000)[:5]
]
fingerprinting(texts, segment_len=100, metric=calc_simpson_index, x_size=1000, y_size=330)

Los quince primeros bloques son de Galdós, los quince últimos de Unamuno. El índice de Simpson - la probabilidad de que dos palabras tomadas al azar sean la misma - es más bajo en Galdós, así que sus bloques son más oscuros y los de Unamuno, que repite más sus palabras, más verdes.

Parámetros

Parámetro	Tipo	Por defecto	Descripción
texts	list[list[str]]	-	Lista de listas de palabras
segment_len	int	10	Tamaño de un segmento
metric	Callable	None	Función de una medida de diversidad léxica; calc_ttr por defecto
x_size	int	800	Mitad de la anchura del área de dibujo, mayor que 25 (el margen entre los bloques)
y_size	int	600	Mitad de la altura del área de dibujo, que crece cuando los bloques necesitan más
cmap	str	'viridis'	Mapa de colores
ax	Axes	None	Ejes de matplotlib para el gráfico; si no se dan, se crea una figura de 15×10
labels	dict[str, str]	None	Etiquetas sobre las de por defecto: title

La función devuelve los Axes con la visualización, con una relación de aspecto igual para que los cuadrados sigan siendo cuadrados; la figura es ax.figure. Unos textos que no son una lista de listas de cadenas y un metric que no es invocable lanzan SourceTypeError, una lista sin textos o un texto sin palabras SourceError. Un segment_len o un y_size que no es un entero mayor que cero, un x_size que no es un entero mayor que 25, un cmap desconocido, unas etiquetas que merge_labels rechaza y un ax que no es un Axes de matplotlib lanzan ParameterError.