Gráficos estilométricos

Gráficos para la estilometría: un dendrograma, el escalamiento multidimensional y los histogramas de las distancias dentro de un autor y entre autores de la matriz de distancias de delta, las componentes principales de las frecuencias de las palabras más frecuentes, las distancias de la Delta móvil a lo largo de un texto, los segmentos de los corpus por los marcadores de Zeta y las curvas de Mendenhall de varios textos. Las funciones reciben los ejes ax y devuelven Axes.

Las funciones son las del núcleo anyTS; las frecuencias de las componentes principales salen de frequency_table, las distancias a lo largo de un texto de rolling_delta, los segmentos de zeta_segments y las curvas de mendenhall_curve. Las etiquetas por defecto son las inglesas de VISUALIZER_LABELS en anyts.constants; labels sustituye cualquiera de ellas.

Dendrograma

dendrogram_plot(distances, method='ward', ax=None, labels=None)

Agrupamiento jerárquico con scipy.cluster.hierarchy sobre la matriz de distancias entre textos, por defecto con el método de Ward, como en Evert et al. (2015); las hojas se etiquetan con el índice de la matriz. Las columnas se toman en el orden de las filas.

Parámetro	Tipo	Por defecto	Descripción
distances	DataFrame	-	Matriz simétrica de distancias con los nombres de los textos en las filas y en las columnas, en cualquier orden
method	str	'ward'	Método de scipy.cluster.hierarchy.linkage para unir los grupos: single, complete, average, weighted, centroid, median o ward
ax	Axes	None	Ejes para el gráfico
labels	dict[str, str]	None	Etiquetas sobre las de por defecto: title, xlabel

Textos distintos en las columnas y en las filas, menos de dos textos, una distancia infinita o negativa, la asimetría o una distancia en la diagonal lanzan SourceError antes de crear una figura. Unas distancias que no son un DataFrame de números lanzan SourceTypeError; un method desconocido, unas etiquetas que merge_labels rechaza y un ax que no es un Axes de matplotlib lanzan ParameterError.

Componentes principales

pca_plot(corpus, n_mfw=100, culling=0.0, ax=None, labels=None)

Análisis de componentes principales de las puntuaciones z de las frecuencias relativas de las unidades más frecuentes (frequency_table, z_scores): 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
labels	dict[str, str]	None	Etiquetas sobre las de por defecto: title, xlabel y ylabel (cadenas de formato con la proporción explicada share)

El corpus, n_mfw y culling lanzan los errores de frequency_table, y menos de tres textos lanzan SourceError; unas etiquetas que merge_labels rechaza y un ax que no es un Axes de matplotlib lanzan ParameterError.

Escalamiento multidimensional

mds_plot(distances, ax=None, labels=None)

Escalamiento multidimensional clásico (Torgerson 1952) de cualquier matriz de distancias: los dos vectores propios principales de las distancias al cuadrado con doble centrado, así que las distancias entre los puntos aproximan las de la matriz. Las columnas se toman en el orden de las filas.

Parámetro	Tipo	Por defecto	Descripción
distances	DataFrame	-	Matriz simétrica de distancias con los nombres de los textos en las filas y en las columnas, en cualquier orden
ax	Axes	None	Ejes para el gráfico
labels	dict[str, str]	None	Etiquetas sobre las de por defecto: title, xlabel, ylabel

Textos distintos en las columnas y en las filas, menos de dos textos, una distancia infinita o negativa, la asimetría o una distancia en la diagonal lanzan SourceError antes de crear una figura. Unas distancias que no son un DataFrame de números lanzan SourceTypeError; unas etiquetas que merge_labels rechaza y un ax que no es un Axes de matplotlib lanzan ParameterError.

Distancias dentro de un autor y entre autores

delta_histogram_plot(distances, authors, bins=20, ax=None, labels=None)

Los histogramas de las distancias de los pares de textos de un mismo autor y de los pares de autores distintos, como densidades sobre unos intervalos comunes, así que los grupos de tamaños distintos son comparables. Cuanto menos se solapan los histogramas, mejor distinguen las distancias a los autores: una comprobación del número de unidades y de la variante de Delta en textos de autores conocidos. Las columnas se toman en el orden de las filas.

Parámetro	Tipo	Por defecto	Descripción
distances	DataFrame	-	Matriz simétrica de distancias con los nombres de los textos en las filas y en las columnas, en cualquier orden
authors	dict[str, str]	-	Autores de los textos por los nombres de los textos
bins	int	20	Número de intervalos, como máximo 1000
ax	Axes	None	Ejes para el gráfico
labels	dict[str, str]	None	Etiquetas sobre las de por defecto: title, xlabel, ylabel y las de la leyenda within, between

La matriz lanza los errores de dendrogram_plot; unos autores que no son un mapeo lanzan SourceTypeError, y un texto sin autor, ningún par de textos de un mismo autor o todos los textos de un mismo autor, SourceError. Un bins que no es un entero de 1 a 1000, unas etiquetas que merge_labels rechaza y un ax que no es un Axes de matplotlib lanzan ParameterError.

Delta móvil

rolling_delta_plot(distances, ax=None, labels=None)

Las distancias de rolling_delta como una línea por cada texto de referencia sobre los centros de las ventanas: la línea más baja es la referencia más cercana de una parte del texto, y donde las líneas se cruzan, cambia el estilo.

Parámetro	Tipo	Por defecto	Descripción
distances	DataFrame	-	Distancias de rolling_delta: las ventanas por la posición de su centro en las filas, los textos de referencia en las columnas
ax	Axes	None	Ejes para el gráfico
labels	dict[str, str]	None	Etiquetas sobre las de por defecto: title, xlabel, ylabel

Unas distancias que no son un DataFrame de números con números en el índice lanzan SourceTypeError; la falta de ventanas o de textos de referencia, una posición no finita y una distancia infinita o negativa lanzan SourceError antes de crear una figura. Unas etiquetas que merge_labels rechaza y un ax que no es un Axes de matplotlib lanzan ParameterError.

Diagrama de dispersión de Zeta

zeta_scatter_plot(segments, ax=None, labels=None)

Los segmentos de zeta_segments en el plano de las proporciones de las palabras evitadas (eje horizontal) y de las preferidas (eje vertical), con un color por corpus, como en oppose de stylo.

Parámetro	Tipo	Por defecto	Descripción
segments	DataFrame	-	Segmentos de zeta_segments con las columnas corpus, preferred y avoided
ax	Axes	None	Ejes para el gráfico
labels	dict[str, str]	None	Etiquetas sobre las de por defecto: title, xlabel, ylabel

Unos segmentos que no son un DataFrame o unas proporciones que no son números lanzan SourceTypeError; una columna ausente o repetida, la falta de segmentos y una proporción no finita lanzan SourceError antes de crear una figura. Los segmentos sin nombre de corpus (NaN) se dibujan como un corpus propio. Unas etiquetas que merge_labels rechaza y un ax que no es un Axes de matplotlib lanzan ParameterError.

Curvas de Mendenhall

mendenhall_plot(corpus, ax=None, labels=None)

Las proporciones de las palabras por longitud en caracteres (mendenhall_curve) de cada texto en un mismo gráfico; una longitud que ninguna palabra tiene se dibuja en cero.

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
labels	dict[str, str]	None	Etiquetas sobre las de por defecto: title, xlabel, ylabel

Un corpus que no es un mapeo de listas de cadenas lanza SourceTypeError, la falta de textos o un texto sin palabras SourceError; unas etiquetas que merge_labels rechaza y un ax que no es un Axes de matplotlib lanzan ParameterError.

Los gráficos de seis novelas del corpus de literatura, tres de Galdós y tres de Unamuno:

import matplotlib.pyplot as plt

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

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)
corpus = {title: we.extract(novels[title]) for title in titles}
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(
    {title: corpus[title] for title in ("Marianela", "Niebla", "La tía Tula")}, ax=right
)

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 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.

Los gráficos de doce novelas y relatos del género prose del corpus de literatura, cuatro de Galdós, cuatro de Pardo Bazán y cuatro de Unamuno: las distancias entre todas las obras, la Delta móvil sobre la primera obra de Galdós seguida de la primera obra de Unamuno con las otras tres obras de cada autor como referencias, y los segmentos por los marcadores de Zeta de Galdós frente a Unamuno:

from ests.corpus import rolling_delta, zeta, zeta_segments
from ests.visualizers import delta_histogram_plot, rolling_delta_plot, zeta_scatter_plot

names = {"galdos": "Galdós", "pardo": "Pardo Bazán", "unamuno": "Unamuno"}
corpus, authors = {}, {}
for key, author in names.items():
    texts = sl.get_texts(genre="prose", author=key, min_len=40000, max_len=400000, limit=4)
    for i, text in enumerate(texts, 1):
        corpus[f"{author} {i}"] = we.extract(text)
        authors[f"{author} {i}"] = author
known = {author: [corpus[f"{author} {i}"] for i in (2, 3, 4)] for author in names.values()}
reference = {author: [word for words in known[author] for word in words] for author in known}
scores = zeta(known["Galdós"], known["Unamuno"], segment_size=1000)
preferred = [score.word for score in scores[:200]]
avoided = [score.word for score in scores[-200:]]
corpora = {
    "Galdós": known["Galdós"],
    "Unamuno": known["Unamuno"],
    "Galdós 1": corpus["Galdós 1"],
    "Unamuno 1": corpus["Unamuno 1"],
}

fig, axes = plt.subplots(1, 3, figsize=(19, 5))
delta_histogram_plot(delta(corpus, n_mfw=100, variant="cosine"), authors, ax=axes[0])
rolling_delta_plot(
    rolling_delta(reference, corpus["Galdós 1"] + corpus["Unamuno 1"], window=10000, step=1000),
    ax=axes[1],
)
zeta_scatter_plot(zeta_segments(corpora, preferred, avoided, segment_size=1000), ax=axes[2])

Las distancias entre las obras de un mismo autor quedan en su mayoría por debajo de las distancias entre obras de autores distintos. A lo largo de Bailén de Galdós el autor más cercano es Galdós en las 59 ventanas de 10000 palabras; a lo largo de Amor y pedagogía de Unamuno es Unamuno hasta el epílogo (la palabra 35438 de la novela) y el tratado de cocotología añadido tras él (la palabra 42785), donde Pardo Bazán queda más cerca en las 8 últimas ventanas: la Delta móvil señala un cambio de registro dentro de una obra. En el plano de los marcadores de Zeta, los segmentos de las dos obras que quedaron fuera de su cálculo caen en las nubes de sus autores.