Resaltado del texto¶

HighlightedText(source, layers=None, long_sent_word_factor=30, complex_syl_factor=4, stopwords=None, cliches=None, alliteration_threshold=0.001)

Resaltado de un texto por capas, a la manera de los correctores de estilo: cada capa marca los fragmentos de un texto que cuenta una estadística - las oraciones largas, las palabras complejas, la pasiva. La fuente de datos es un texto o un objeto Doc de spaCy. El resultado se muestra en Jupyter como HTML con estilos y una leyenda; to_html devuelve el marcado, y highlights guarda los fragmentos para una representación propia. Los fragmentos de capas distintas pueden solaparse.

Excepciones:

SourceTypeError - una fuente que no es ni una cadena ni un Doc;
SourceError - una fuente sin palabras;
ParameterError - unas capas que no son un nombre ni una lista de nombres, una capa desconocida o una que necesita una anotación que le falta a la fuente.

highlight(source, layers=None, long_sent_word_factor=30, complex_syl_factor=4, stopwords=None, cliches=None, alliteration_threshold=0.001)

La función highlight devuelve un objeto HighlightedText de esTS con las capas de las estadísticas de la biblioteca:

Grupo	Capa	Qué marca	Estadística
Legibilidad	`long_sents`	Oraciones de `long_sent_word_factor` palabras o más	BasicStats
	`complex_words`	Palabras de `complex_syl_factor` sílabas o más	BasicStats
	`rare_words`	Palabras con un lema fuera del top 10000 incorporado; no se resaltan los números, las palabras con guion o con cifras ni las palabras vacías	LexicalStats
Sintaxis	`passive`	Formas verbales pasivas con su auxiliar `ser` o su `se`; la nota distingue las dos y marca la pasiva con `ser` sin agente	SyntaxStats
	`participle_clauses`	Construcciones de participio	SyntaxStats
	`gerund_clauses`	Construcciones de gerundio	SyntaxStats
	`de_chains`	Cadenas de complementos con `de` con su núcleo	SyntaxStats
	`split_predicates`	Predicados escindidos del verbo al sustantivo	SyntaxStats
Estilo burocrático	`verbal_nouns`	Sustantivos deverbales	StyleStats
	`compound_prepositions`	Locuciones prepositivas de `COMPOUND_PREPOSITIONS`	StyleStats
	`cliches`	Clichés de `OFFICIALESE_CLICHES` o del parámetro `cliches`	StyleStats
	`anaphoric_mismo`	El `el mismo` anafórico con su artículo (`se archivó el mismo`, `la duración del mismo`)	-
Estilo	`stopwords`	Palabras vacías de `STOPWORDS` o del parámetro `stopwords`, el agua del texto	StyleStats
	`parentheticals`	Expresiones parentéticas	StyleStats
	`connectors`	Marcadores del discurso, con la clase y el tipo en la nota	CohesionStats
Fónica	`alliteration`	Repeticiones de un sonido consonántico en palabras vecinas, poco probables por las frecuencias de los sonidos del español; la nota da el sonido y las letras que lo escriben	PhonStats

Los grupos se definen en ests.constants.HIGHLIGHT_LAYER_GROUPS. Las capas del grupo «Sintaxis» necesitan un Doc con análisis de dependencias y lemas (los modelos es_core_news_sm, es_core_news_md, es_core_news_lg), como SyntaxStats; verbal_nouns necesita un Doc con las categorías gramaticales y los lemas, y anaphoric_mismo, uno con el análisis de dependencias, las categorías gramaticales y los lemas. Por defecto se activan las capas de HIGHLIGHT_DEFAULT_LAYERS que la fuente permite - oraciones largas, palabras complejas, pasiva, cadenas de de, predicados escindidos, clichés; layers="all" activa todas las permitidas. Las capas se solapan (una locución prepositiva está hecha de palabras vacías), así que elija las que necesite.

Una oración es larga a partir de 30 palabras, el límite de las guías de lenguaje claro en español (la Comunidad de Madrid y el Gobierno de la Ciudad de Buenos Aires), y una palabra es compleja a partir de cuatro sílabas; complex_syl_factor=3, el límite de BasicStats, muestra las palabras de n_complex_words.

Aliteración

Una aliteración se busca dentro de una oración como una secuencia de dos palabras vecinas o más con el mismo sonido consonántico en su raíz. Los sonidos son los de la transcripción, así que casa y queso repiten k; la raíz es el comienzo común de las transcripciones de la forma y de su lema (cantaban - k a n t a), lo que deja fuera las terminaciones que se repiten por la concordancia (las casas blancas). La probabilidad de una secuencia con un reparto independiente de los sonidos es el producto sobre sus palabras de la probabilidad de encontrar la consonante entre los sonidos de la raíz, \(1 - (1 - f)^n\), donde \(f\) es la frecuencia del sonido en el corpus de literatura y \(n\) el número de sonidos de la raíz; una secuencia se resalta cuando la probabilidad queda por debajo de alliteration_threshold. La repetición de un sonido raro se nota en dos o tres palabras (deje la abeja), mientras que la s de los suspiros se escapan es demasiado frecuente para contar en dos palabras. Las palabras de menos de tres letras (de, la, el), las palabras vacías (que, los, con) y las palabras sin vocales no cortan ni continúan una secuencia. El índice de aliteración de PhonStats mide cómo se agrupan las repeticiones en todo el texto; el resaltado muestra dónde están.

La clase extiende el HighlightedText del núcleo anyTS con los ganchos del español de ests.constants: las capas con sus nombres en la leyenda son HIGHLIGHT_LAYERS_DESC, las capas activadas por defecto HIGHLIGHT_DEFAULT_LAYERS, las anotaciones de un Doc que necesita una capa HIGHLIGHT_LAYER_ANNOTATIONS y los estilos de las capas HIGHLIGHT_LAYER_STYLES; el prefijo de las clases CSS es ests. Las palabras de una cadena son las de WordsExtractor, sin la puntuación, y sus oraciones las de SentsExtractor; un Doc sin los límites de las oraciones (un pipeline vacío, un pipeline sin analizador) también se divide en oraciones con las reglas de SentsExtractor. Una cadena con un carácter sin forma UTF-8 lanza SourceError desde el tokenizador del español. Los fragmentos de cada capa los encuentran las funciones de búsqueda de esTS.

CódigoResultado

import spacy

from ests.visualizers import highlight

nlp = spacy.load("es_core_news_sm")
text = (
    "El proyecto, elaborado durante el verano, fue aprobado por el consejo sin debate. "
    "El aumento de la eficiencia del uso de los recursos públicos se analizó, siguiendo "
    "las normas del reglamento. "
    "Los representantes de los ministerios regionales no consiguieron hacer una revisión "
    "conjunta de las cuestiones de financiación y de reparto de responsabilidades entre los "
    "organismos, puesto que cada uno de ellos defendía su propia interpretación de las "
    "disposiciones del acuerdo. "
    "En el marco de la reunión se procedió a la votación, y la decisión quedó aplazada "
    "hasta la próxima sesión."
)
ht = highlight(nlp(text))
ht.counts
ht.highlights[:2]
highlight(nlp(text), layers="all").counts

{'long_sents': 1,
 'complex_words': 16,
 'passive': 2,
 'de_chains': 3,
 'split_predicates': 2,
 'cliches': 1}
(Highlight(start=13, end=22, layer='complex_words', note='complex word, 5 syllables'),
 Highlight(start=42, end=54, layer='passive', note='passive with ser'))
{'long_sents': 1,
 'complex_words': 16,
 'rare_words': 0,
 'passive': 2,
 'participle_clauses': 2,
 'gerund_clauses': 1,
 'de_chains': 3,
 'split_predicates': 2,
 'verbal_nouns': 9,
 'compound_prepositions': 1,
 'cliches': 1,
 'anaphoric_mismo': 0,
 'stopwords': 48,
 'parentheticals': 0,
 'connectors': 3,
 'alliteration': 0}

En Jupyter el objeto ht se muestra así (pase el cursor sobre un fragmento para ver su nota):

Long sentences1Complex words16Passive2Chains of de3Split predicates2Clichés1

El proyecto, elaborado durante el verano, fue aprobado por el consejo sin debate. El aumento de la eficiencia del uso de los recursos públicos se analizó, siguiendo las normas del reglamento. Los representantes de los ministerios regionales no consiguieron hacer una revisión conjunta de las cuestiones de financiación y de reparto de responsabilidades entre los organismos, puesto que cada uno de ellos defendía su propia interpretación de las disposiciones del acuerdo. En el marco de la reunión se procedió a la votación, y la decisión quedó aplazada hasta la próxima sesión.

Una cadena sin modelo de spaCy permite todas las capas salvo las sintácticas y verbal_nouns: por defecto, oraciones largas, palabras complejas y clichés, y la aliteración a petición.

CódigoResultado

from ests.visualizers import highlight

# Antonio Machado, Poesías completas (el corpus de literatura)
poem = "El cierzo corre por el campo yerto alborotando en blancos torbellinos la nieve silenciosa."
highlight(poem, layers="alliteration").highlights
text = "Se procedió a la revisión del expediente en el marco del plan a la mayor brevedad."
highlight(text, layers=["compound_prepositions", "cliches"]).highlights

(Highlight(start=35, end=78, layer='alliteration', note='alliteration on /b/ (b, v)'),)
(Highlight(start=3, end=13, layer='cliches', note='cliché: «proceder a»'),
 Highlight(start=41, end=56, layer='compound_prepositions', note='compound preposition: «en el marco de»'),
 Highlight(start=62, end=81, layer='cliches', note='cliché: «a la mayor brevedad»'))

Parámetros¶

Parámetro	Tipo	Por defecto	Descripción
`source`	`str` / `Doc`	-	Fuente de datos (una cadena o un objeto Doc)
`layers`	`list[str]` / `str`	`None`	Capas del resaltado; si no se dan, las capas por defecto que la fuente permite; `"all"` - todas las permitidas

Los parámetros de las capas de esTS:

Parámetro	Tipo	Por defecto	Descripción
`long_sent_word_factor`	`int`	`30`	Número mínimo de palabras de una oración larga
`complex_syl_factor`	`int`	`4`	Número mínimo de sílabas de una palabra compleja
`stopwords`	`list[str]` / `set[str]`	`None`	Lista o conjunto de palabras vacías; si no se da, `STOPWORDS` y las expresiones parentéticas de una palabra
`cliches`	`list[str]` / `set[str]`	`None`	Lista o conjunto de clichés; si no se da, `OFFICIALESE_CLICHES`
`alliteration_threshold`	`float`	`0.001`	Probabilidad de una repetición de una consonante con un reparto independiente de los sonidos, por debajo de la cual la repetición es aliteración

Un número de palabras o de sílabas que no es un entero de al menos uno o un umbral fuera de (0, 1] lanza ParameterError, unas palabras vacías o unos clichés que no son una lista o un conjunto de cadenas SourceTypeError.

Atributos¶

Atributo	Tipo	Descripción
`text`	`str`	Texto de la fuente de datos
`layers`	`tuple[str]`	Capas activadas, en el orden de dibujo
`highlights`	`tuple[Highlight]`	Fragmentos resaltados, ordenados por su inicio y luego por su final descendente
`counts`	`dict[str, int]`	Número de fragmentos de cada capa

Highlight(start, end, layer, note='')

Un fragmento del resaltado: un objeto inmutable con los parámetros como campos.

Campo	Tipo	Por defecto	Descripción
`start`	`int`	-	Posición del primer carácter del fragmento en el texto
`end`	`int`	-	Posición siguiente al último carácter del fragmento
`layer`	`str`	-	Capa del resaltado
`note`	`str`	`''`	Explicación del fragmento para la ventana emergente

Las notas de esTS están en inglés: dan el número de palabras de la oración o de la construcción, de sílabas de la palabra, la longitud de la cadena, la expresión de la lista, la clase y el tipo del conector, el sonido de la aliteración y sus letras.

Métodos¶

to_html(legend=True, css=True) devuelve el marcado HTML del texto resaltado: un div de la clase <prefix>-highlight con la leyenda, sus recuentos y el texto, donde un segmento resaltado es un span de las clases <prefix>-hl y <prefix>-hl-<layer> con las notas en su title; <prefix> es css_prefix. Los fragmentos solapados de capas distintas dan segmentos con varias clases, en el orden de dibujo. Los saltos de línea (\n, \r\n, \r) se convierten en referencias de caracteres, una por salto, así que el marcado puede ir en Markdown.

Parámetro	Tipo	Por defecto	Descripción
`legend`	`bool`	`True`	Añadir la leyenda con los recuentos de los fragmentos
`css`	`bool`	`True`	Añadir los estilos de las capas

El método de clase css() devuelve los estilos que añade to_html: el contenedor, la leyenda y el texto con las clases de css_prefix, las declaraciones de layer_styles de cada capa y un color oscuro del texto en las capas con fondo.

CódigoResultado

from ests.visualizers import highlight

poem = "El cierzo corre por el campo yerto alborotando en blancos torbellinos la nieve silenciosa."
highlight(poem, layers="alliteration").to_html(legend=False, css=False)

'<div class="ests-highlight"><div class="ests-highlight-text">El cierzo corre por el campo yerto <span class="ests-hl ests-hl-alliteration" title="alliteration on /b/ (b, v)">alborotando en blancos torbellinos la nieve</span> silenciosa.</div></div>'

Auxiliares de las capas¶

Las palabras y las oraciones que toman las funciones de búsqueda de las capas; los auxiliares están en ests.visualizers.highlight.

Word(start, end, text, pos=None, lemma=None)

Una palabra con su posición en el texto y, cuando se conocen, su categoría gramatical y su lema.

Sent(start, end, n_words)

Una oración con su posición y su número de palabras.

group_words_by_sents(words, sents)

Las palabras de cada oración; las palabras fuera de las oraciones se omiten.

Búsqueda de las capas¶

Los fragmentos de cada capa los encuentra una función de ests.visualizers.highlight que devuelve una lista de Highlight: a partir de las palabras y las oraciones del texto, o del Doc para las capas sintácticas (SYNTAX_FINDERS las da por capa). Todas salvo la pasiva, las construcciones de participio y de gerundio, las cadenas de de y el el mismo anafórico son las funciones de búsqueda del núcleo con los ganchos del español.

Oraciones largas y palabras complejas¶

find_long_sents(sents, long_sent_word_factor)

La capa long_sents: las oraciones de long_sent_word_factor palabras o más, con su número de palabras en la nota.

find_complex_words(words, complex_syl_factor)

La capa complex_words: las palabras de complex_syl_factor sílabas o más según count_syllables, con su número de sílabas en la nota.

Parámetro	Tipo	Por defecto	Descripción
`sents`	`list[Sent]`	-	Oraciones con sus posiciones y sus números de palabras
`long_sent_word_factor`	`int`	-	Número mínimo de palabras de una oración larga
`words`	`list[Word]`	-	Palabras con sus posiciones
`complex_syl_factor`	`int`	-	Número mínimo de sílabas de una palabra compleja

Excepciones:

ParameterError - un número de palabras o de sílabas que no es un entero de al menos uno.

CódigoResultado

from ests.utils import iter_text_words
from ests.visualizers.highlight import Sent, Word, find_complex_words, find_long_sents

text = "El felinólogo examinó al gato. Lo devolvieron."
words = [Word(*word) for word in iter_text_words(text)]
find_long_sents([Sent(0, 30, 5), Sent(31, 46, 2)], 5)
find_complex_words(words, 4)

[Highlight(start=0, end=30, layer='long_sents', note='long sentence, 5 words')]
[Highlight(start=3, end=13, layer='complex_words', note='complex word, 5 syllables'),
 Highlight(start=14, end=21, layer='complex_words', note='complex word, 4 syllables'),
 Highlight(start=34, end=45, layer='complex_words', note='complex word, 4 syllables')]

Palabras sueltas¶

find_rare_words(words)

La capa rare_words: las palabras cuya clave (lemma_key) queda fuera de los 10 000 lemas más frecuentes (get_rank), como las cuenta p_beyond_top10000 de LexicalStats; una palabra etiquetada PROPN conserva su forma. Solo se miran las palabras de dos letras españolas o más que no son palabras vacías.

find_stopwords(words, stopwords=None)

La capa stopwords: las palabras de stopwords sin distinguir mayúsculas y minúsculas o, sin la lista, las palabras vacías de is_stopword.

find_verbal_nouns(words)

La capa verbal_nouns: las palabras etiquetadas NOUN cuyo lema deriva de un verbo, como en los sustantivos deverbales de StyleStats.

Parámetro	Tipo	Por defecto	Descripción
`words`	`list[Word]`	-	Palabras con sus posiciones; con sus categorías gramaticales y sus lemas para `find_verbal_nouns`
`stopwords`	`list[str]` / `set[str]`	`None`	Lista o conjunto de palabras vacías; `is_stopword` si no se da

Excepciones:

SourceTypeError - unas palabras vacías que no son una lista o un conjunto de cadenas.

CódigoResultado

from ests.utils import iter_text_words
from ests.visualizers.highlight import Word, find_rare_words, find_stopwords

text = "El felinólogo examinó minuciosamente al gato."
words = [Word(*word) for word in iter_text_words(text)]
find_rare_words(words)
find_stopwords(words)

[Highlight(start=3, end=13, layer='rare_words', note='rare word: beyond the top 10000'),
 Highlight(start=22, end=36, layer='rare_words', note='rare word: beyond the top 10000')]
[Highlight(start=0, end=2, layer='stopwords', note='stopword'),
 Highlight(start=37, end=39, layer='stopwords', note='stopword')]

Expresiones¶

find_phrase_highlights(words, phrases, layer, label)

Los fragmentos de las expresiones de una lista, buscadas con sus contracciones y las formas de sus verbos (expand_phrases); la nota da la etiqueta y la expresión de la lista (cliché: «proceder a»).

find_compound_prepositions(words)

La capa compound_prepositions: las expresiones de COMPOUND_PREPOSITIONS.

find_cliches(words, cliches=None)

La capa cliches: las expresiones de cliches, de OFFICIALESE_CLICHES si no se da.

find_parentheticals(words)

La capa parentheticals: las expresiones de PARENTHETICALS.

Parámetro	Tipo	Por defecto	Descripción
`words`	`list[Word]`	-	Palabras con sus posiciones
`phrases`	`list[str]` / `set[str]`	-	Expresiones, palabras separadas por espacios
`layer`	`str`	-	Capa del resaltado
`label`	`str`	-	Etiqueta del fragmento en la nota
`cliches`	`list[str]` / `set[str]`	`None`	Lista o conjunto de clichés

Excepciones:

SourceTypeError - unas expresiones o unos clichés que no son una lista o un conjunto de cadenas.

CódigoResultado

from ests.utils import iter_text_words
from ests.visualizers.highlight import Word, find_cliches, find_compound_prepositions

text = "Se procedió a la revisión del expediente en el marco del plan."
words = [Word(*word) for word in iter_text_words(text)]
find_cliches(words)
find_compound_prepositions(words)

[Highlight(start=3, end=13, layer='cliches', note='cliché: «proceder a»')]
[Highlight(start=41, end=56, layer='compound_prepositions', note='compound preposition: «en el marco de»')]

Conectores¶

find_connector_highlights(words, sents, text=None, doc=None)

La capa connectors: los conectores de CohesionStats dentro de cada oración, encontrados por su buscador SpanishConnectorMatcher, un conector de una palabra comprobado por su categoría gramatical cuando las palabras la tienen; la nota da el conector, su clase y su tipo. Con el texto, las reglas del buscador no leen ninguna palabra a través de un signo de puntuación entre dos palabras, así que así, que no es conector; con el Doc, ningún conector empieza en un si que no abre ninguna condición, como en CohesionStats (is_connector_blocked: no sé si vendrá). HighlightedText pasa el texto de su fuente y su Doc; en una cadena, que no analiza, solo las reglas del buscador descartan un si (como si fuera).

Parámetro	Tipo	Por defecto	Descripción
`words`	`list[Word]`	-	Palabras con sus posiciones y sus categorías gramaticales
`sents`	`list[Sent]`	-	Oraciones con sus posiciones
`text`	`str`	`None`	Texto de las palabras, para los signos de puntuación entre ellas
`doc`	`Doc`	`None`	`Doc` de las palabras, para las reglas por sus tokens

Excepciones:

SourceTypeError - un texto que no es una cadena.

CódigoResultado

from ests.utils import iter_text_words
from ests.visualizers.highlight import Sent, Word, find_connector_highlights

text = "Sin embargo, el plan no se aprobó."
words = [Word(*word) for word in iter_text_words(text)]
find_connector_highlights(words, [Sent(0, len(text), len(words))], text)

[Highlight(start=0, end=11, layer='connectors', note='connector «sin embargo»: adversative, secondary')]

Aliteración¶

get_stem_sounds(word)

Los sonidos de la raíz de una forma: el comienzo común de las transcripciones de la forma y de su lema (cantaban - k a n t a, cogió - k o x). Cuando es más corto que dos sonidos, como en las formas supletivas (fue - ser), la raíz es la forma entera.

calc_alliteration_runs(text, threshold=0.001)

Las secuencias de calc_alliteration_runs del núcleo sobre las raíces de get_stem_sounds y los sonidos consonánticos de ALLITERATION_FREQUENCIES, con sus frecuencias de SOUND_FREQUENCIES; las palabras de menos de tres letras, las palabras vacías y las palabras sin vocales no cortan ni continúan una secuencia. Una secuencia es una terna del índice de su primera palabra, el índice siguiente a su última palabra y su sonido.

find_alliteration(words, threshold=0.001, sents=None)

La capa alliteration: las secuencias de calc_alliteration_runs dentro de cada oración, en todo el texto sin las oraciones; la nota da el sonido y las letras que lo escriben (alliteration on /b/ (b, v)).

Parámetro	Tipo	Por defecto	Descripción
`word`	`str`	-	Forma de la palabra en minúsculas
`text`	`list[str]`	-	Lista de palabras
`threshold`	`float`	`0.001`	Umbral de la probabilidad (`ALLITERATION_THRESHOLD` de `anyts.constants`)
`words`	`list[Word]`	-	Palabras con sus posiciones
`sents`	`list[Sent]`	`None`	Oraciones con sus posiciones

Excepciones:

SourceTypeError - una palabra que no es una cadena, unas palabras de calc_alliteration_runs que no son una lista de cadenas;
ParameterError - un umbral fuera de (0, 1].

CódigoResultado

from ests.visualizers.highlight import calc_alliteration_runs, get_stem_sounds

get_stem_sounds("cantaban"), get_stem_sounds("fue")
calc_alliteration_runs(["deje", "la", "abeja"])
calc_alliteration_runs(["los", "suspiros", "se", "escapan"])

(('k', 'a', 'n', 't', 'a'), ('f', 'u', 'e'))
[(0, 3, 'x')]
[]

Capas sintácticas¶

find_passive(doc)

La capa passive: cada forma pasiva de is_passive con su auxiliar ser (fue construida) o su se (se construyó); la nota distingue la pasiva con se de la pasiva con ser y marca una pasiva con ser sin agente (is_agentless).

find_participle_clauses(doc)

La capa participle_clauses: el subárbol de cada núcleo de una construcción de participio, con su número de palabras en la nota.

find_gerund_clauses(doc)

La capa gerund_clauses: el subárbol de cada núcleo de una construcción de gerundio, con su número de palabras en la nota.

find_de_chains(doc)

La capa de_chains: las cadenas de de de dos complementos o más, un fragmento del núcleo al último complemento (el aumento de la eficiencia del uso de los recursos), con la longitud de la cadena en la nota.

find_split_predicate_highlights(doc)

La capa split_predicates: los pares de un verbo de apoyo y un sustantivo de find_split_predicates, un fragmento de la primera palabra del par a la última (hacer una revisión), con sus lemas en la nota.

Parámetro	Tipo	Por defecto	Descripción
`doc`	`Doc`	-	Objeto Doc con análisis de dependencias y lemas

CódigoResultado

from ests.utils import get_nlp
from ests.visualizers.highlight import (
    find_de_chains,
    find_gerund_clauses,
    find_participle_clauses,
    find_passive,
    find_split_predicate_highlights,
)

doc = get_nlp()(
    "El informe, redactado por el comité, fue aprobado tras hacer una revisión, "
    "siguiendo las normas del uso de los recursos."
)
find_passive(doc)
find_participle_clauses(doc)
find_gerund_clauses(doc)
find_de_chains(doc)
find_split_predicate_highlights(doc)

[Highlight(start=37, end=49, layer='passive', note='passive with ser, no agent')]
[Highlight(start=12, end=35, layer='participle_clauses', note='participial clause, 4 words')]
[Highlight(start=75, end=119, layer='gerund_clauses', note='gerund clause, 8 words')]
[Highlight(start=89, end=119, layer='de_chains', note='chain of 2 complements with de')]
[Highlight(start=55, end=73, layer='split_predicates', note='split predicate: hacer revisión')]

El mismo anafórico¶

is_anaphoric_mismo(token)

Comprueba si una palabra es un el mismo anafórico: una forma de mismo que encabeza un sintagma nominal propio con su artículo (el, la, los, las, del, al) y sin otro dependiente que una cláusula tras una coma, como argumento de un verbo o de un sustantivo (se archivó el mismo, la duración del mismo, contra la misma, que pone fin a la vía administrativa, cabe recurso). El Diccionario panhispánico de dudas tiene por innecesario este uso del estilo administrativo y periodístico y propone en su lugar un demostrativo, un posesivo o un pronombre personal (su duración, dentro de ella). La identidad no es anáfora: el mismo día, es el mismo, lo mismo, él mismo, una forma tras ser, estar, parecer, permanecer o resultar, por el lema del modelo o de simplemma (no parecía la misma, siempre serás el mismo), justo ante que (el mismo que el año pasado, mientras que del mismo, que... es anafórico) y ante una conjunción y un adjetivo o un determinante que no es un artículo ni un posesivo, que comparten su sustantivo (de la misma o superior categoría, a la misma u otra sede). Los modelos cuelgan algunas formas anafóricas de su artículo (en la misma hay oficinas): esa forma cuenta cuando no la sigue en su oración un sustantivo, un adjetivo, un numeral o un pronombre; un adjetivo cuyo sustantivo posterior no concuerda con la forma en género o número es un verbo mal leído por el modelo (contra la misma cabe recurso, con cabe etiquetado como adjetivo de recurso), mientras que la misma angosta calle sigue siendo un sintagma nominal. Un token de un Doc sin análisis no lo es. Los espacios y los signos de puntuación no son dependientes de la forma, así que un salto de línea tras ella no cambia nada.

find_anaphoric_mismo(doc)

La capa anaphoric_mismo: cada forma de is_anaphoric_mismo con su artículo (la misma, del mismo), las dos palabras en la nota.

Parámetro	Tipo	Por defecto	Descripción
`token`	`Token`	-	Token
`doc`	`Doc`	-	Objeto Doc con análisis de dependencias, categorías gramaticales y lemas

CódigoResultado

from ests.utils import get_nlp
from ests.visualizers.highlight import find_anaphoric_mismo, is_anaphoric_mismo

doc = get_nlp()("Se recibió la solicitud el mismo día, y se procedió al estudio de la misma.")
[token.text for token in doc if is_anaphoric_mismo(token)]
find_anaphoric_mismo(doc)

['misma']
[Highlight(start=66, end=74, layer='anaphoric_mismo', note='anaphoric la misma')]