Árbol de palabras¶
wordtree(texts, keyword, max_n=5, max_per_n=8, **kwargs)
La construcción de un árbol de palabras de los contextos de una palabra clave: en cada lista de palabras, como una oración, se cuentan los N-gramas de hasta max_n palabras que empiezan o terminan en la palabra clave. Cada nivel conserva los max_per_n N-gramas más frecuentes que continúan uno más corto ya conservado, alfabéticamente si empatan; se unen en dos árboles, tras la palabra clave y ante ella, con el tamaño de la letra según la frecuencia (Wattenberg y Viégas 2008). Para dibujarlo hacen falta los ejecutables de Graphviz.
La función es la del núcleo anyTS.
El árbol de las oraciones de Marianela de Galdós del corpus de literatura:
from ests import SentsExtractor, WordsExtractor
from ests.datasets import SpanishLiterature
from ests.visualizers import wordtree
sl = SpanishLiterature()
sl.download()
text = next(
record["text"] for record in sl.get_records(author="galdos") if record["title"] == "Marianela"
)
we = WordsExtractor(lowercase=True)
sentences = [we.extract(sentence) for sentence in SentsExtractor().extract(text)]
graph = wordtree(sentences, "ojos", max_n=4)
graph.render("wordtree", format="png")
Parámetros¶
| Parámetro | Tipo | Por defecto | Descripción |
|---|---|---|---|
texts |
list[list[str]] |
- | Lista de listas de palabras |
keyword |
str |
- | Palabra clave cuyos contextos se muestran |
max_n |
int |
5 |
Mayor tamaño del contexto |
max_per_n |
int |
8 |
Mayor número de ejemplos para cada tamaño del contexto |
**kwargs |
- | - | Parámetros de dibujo: max_font_size (por defecto 30), min_font_size (12), font_interp - una función de la frecuencia relativa de un nodo (su frecuencia entre la mayor, en (0, 1]) que da la parte del intervalo de min_font_size a max_font_size, de 0 a 1; la raíz cúbica por defecto |
La función devuelve un Digraph de graphviz. Unos textos que no son una lista de listas de cadenas y una palabra clave que no es una cadena lanzan SourceTypeError; la falta de textos, o una palabra clave sin ninguna palabra a su lado en ninguno de ellos, SourceError; un max_n que no es un entero de al menos 2 y un max_per_n que no es un entero de al menos uno, ParameterError.