Gráficos estilométricos

ests.visualizers.dendrogram_plot(), ests.visualizers.pca_plot(), ests.visualizers.mds_plot(), ests.visualizers.mendenhall_plot()

Descripción

Gráficos para la estilometría: un dendrograma y el escalamiento multidimensional de la matriz de distancias de delta, las componentes principales de las frecuencias de las palabras más frecuentes y las curvas de Mendenhall de varios textos, el conjunto que usa stylo para ver cómo se agrupan los textos por autor. Las funciones reciben los ejes ax y devuelven Axes.

Dendrograma

Agrupamiento jerárquico con scipy.cluster.hierarchy sobre la matriz de distancias entre textos; el método de Ward por defecto, como en stylo y en Evert et al. (2015); las etiquetas de las hojas son los nombres de los textos del índice de la matriz.

Parámetro	Tipo	Por defecto	Descripción
distances	DataFrame	-	Matriz simétrica de distancias con los nombres de los textos
method	str	ward	Método de scipy.cluster.hierarchy.linkage para unir los grupos
ax	Axes	None	Ejes para el gráfico

Componentes principales

Análisis de componentes principales de las puntuaciones z de las frecuencias relativas de las unidades más frecuentes (frequency_table, z_scores) mediante la descomposición en valores singulares, como pca.visualization de stylo: los textos en el plano de las dos primeras componentes con sus nombres, y la proporción de la varianza explicada en las etiquetas de los ejes.

Parámetro	Tipo	Por defecto	Descripción
corpus	dict[str, list[str]]	-	Unidades de los textos por los nombres de los textos
n_mfw	int	100	Número de las unidades más frecuentes; None - todas
culling	float	0.0	Menor proporción de textos en la que aparece una unidad
ax	Axes	None	Ejes para el gráfico

Escalamiento multidimensional

Escalamiento multidimensional clásico (Torgerson 1952) de cualquier matriz de distancias: el doble centrado de la matriz de distancias al cuadrado y los dos vectores propios principales; las distancias entre los puntos aproximan las distancias de la matriz.

Parámetro	Tipo	Por defecto	Descripción
distances	DataFrame	-	Matriz simétrica de distancias con los nombres de los textos
ax	Axes	None	Ejes para el gráfico

Curvas de Mendenhall

Las proporciones de las palabras por longitud en caracteres (mendenhall_curve) de cada texto en un mismo gráfico, una comparación de los perfiles de los autores.

Parámetro	Tipo	Por defecto	Descripción
corpus	dict[str, list[str]]	-	Palabras de los textos por los nombres de los textos
ax	Axes	None	Ejes para el gráfico

Ejemplo de uso

Seis novelas de Project Gutenberg, tres de Galdós y tres de Unamuno.

Ejemplo

Código:

from urllib.request import urlopen

import matplotlib.pyplot as plt

from ests import WordsExtractor
from ests.corpus import delta
from ests.visualizers import dendrogram_plot, mds_plot, mendenhall_plot, pca_plot


def gutenberg(number):
    url = f"https://www.gutenberg.org/cache/epub/{number}/pg{number}.txt"
    text = urlopen(url).read().decode("utf-8")
    start = text.index("\n", text.index("*** START OF"))
    return text[start : text.index("*** END OF")]


novels = {
    "Marianela": 17340,
    "Misericordia": 21831,
    "Torquemada": 15206,
    "Niebla": 49836,
    "Abel Sánchez": 44512,
    "La tía Tula": 44358,
}
we = WordsExtractor(lowercase=True)
corpus = {name: we.extract(gutenberg(number)) for name, number in novels.items()}
distances = delta(corpus, n_mfw=100, variant="cosine")

# Dendrograma y componentes principales en una figura
fig, (left, right) = plt.subplots(1, 2, figsize=(13, 5))
dendrogram_plot(distances, ax=left)
pca_plot(corpus, n_mfw=100, ax=right)

# Escalamiento multidimensional y curvas de Mendenhall
fig, (left, right) = plt.subplots(1, 2, figsize=(13, 5), layout="constrained")
mds_plot(distances, ax=left)
mendenhall_plot({name: corpus[name] for name in ("Marianela", "Niebla", "La tía Tula")}, ax=right)

Resultado:

La Delta coseno sobre las 100 palabras más frecuentes separa a los autores: el dendrograma une las novelas de cada autor antes de unir los dos grupos, y la primera componente principal, el 47.8% de la varianza, pone a Galdós a un lado y a Unamuno al otro. Las curvas de Mendenhall apenas difieren: la longitud de las palabras es un rasgo débil por sí sola.