-
Notifications
You must be signed in to change notification settings - Fork 0
/
Programma1.py
367 lines (300 loc) · 19.3 KB
/
Programma1.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
import sys
import nltk
#Programma 1 (Roberto Cannarella, matr. 616400).
# Compiti del programma: confrontare sulla base di:
#1 - il N di frasi; il N di token
#2 - la L media delle frasi in token; delle parole in termini di char
#3 - la grandezza di V; la ricchezza di V, come TTR, nei primi 5000 token
#4 - distribuzione classi di frequenza |V1|, |V5|, |V10| all'aumentare del corpus, ogni 500 token
#5 - media di Sostantivi e Verbi per frase
#6 - densità lessicale: rapporto fra N totale di occorrenze nel testo di Sost, Verb, Agg, Avv e il numero totale di parole nel testo (escludendo POS = "." ",")
def CalcolaTokensEFrasi(raw1, raw2):
sentence_tokenizer = nltk.data.load("tokenizers/punkt/english.pickle")
#Dal sentence_tokenizer vengono generate due FrasiTesto che sono liste (delle frasi)
frasiTesto1 = sentence_tokenizer.tokenize(raw1)
frasiTesto2 = sentence_tokenizer.tokenize(raw2)
tokensTOTTesto1 = []
for frase in frasiTesto1:
tokens = nltk.word_tokenize(frase)
tokensTOTTesto1 = tokensTOTTesto1 + tokens
tokensTOTTesto2 = []
for frase in frasiTesto2:
tokens = nltk.word_tokenize(frase)
tokensTOTTesto2 = tokensTOTTesto2 + tokens
return frasiTesto1, frasiTesto2, tokensTOTTesto1, tokensTOTTesto2
def CalcolaLunghezzeMedie(frasiTesto1, frasiTesto2):
# Calcolo il numero di frasi attraverso un contatore e il totale della loro lunghezza, poi faccio una media:
LunghezzaTOTTesto1 = 0
ContatoreTesto1 = 0
LunghezzaTokenTOTTesto1 = 0
ContatoreToken1 = 0
for frase in frasiTesto1:
tokens = nltk.word_tokenize(frase)
LunghezzaTOTTesto1 = LunghezzaTOTTesto1 + len(tokens)
ContatoreTesto1 = ContatoreTesto1 + 1
for tok in tokens:
LunghezzaTokenTOTTesto1 = LunghezzaTokenTOTTesto1 + len(tok)
ContatoreToken1 = ContatoreToken1 + 1
LunghezzaMediaTesto1 = LunghezzaTOTTesto1 / ContatoreTesto1
LunghezzaMediaTokenTesto1 = LunghezzaTokenTOTTesto1 / ContatoreToken1
# Uguale per le frasi del 2° testo:
LunghezzaTOTTesto2 = 0
ContatoreTesto2 = 0
LunghezzaTokenTOTTesto2 = 0
ContatoreToken2 = 0
for frase in frasiTesto2:
tokens = nltk.word_tokenize(frase)
LunghezzaTOTTesto2 = LunghezzaTOTTesto2 + len(tokens)
ContatoreTesto2 = ContatoreTesto2 + 1
for tok in tokens:
LunghezzaTokenTOTTesto2 = LunghezzaTokenTOTTesto2 + len(tok)
ContatoreToken2 = ContatoreToken2 + 1
LunghezzaMediaTesto2 = LunghezzaTOTTesto2 / ContatoreTesto2
LunghezzaMediaTokenTesto2 = LunghezzaTokenTOTTesto2 / ContatoreToken2
return LunghezzaMediaTesto1, LunghezzaMediaTesto2, LunghezzaMediaTokenTesto1, LunghezzaMediaTokenTesto2
def CreaVocabolario(tokensTesto):
NuovaListaTok = []
for tok in tokensTesto:
if len(NuovaListaTok) < 5000:
NuovaListaTok.append(tok)
vocabolario = list(sorted(set(NuovaListaTok)))
TTR = len(vocabolario) / len(NuovaListaTok)
return vocabolario, TTR
def CalcolaDistribuzioniClassi(tokensTesto1, tokensTesto2):
#Definizione degli intervalli su cui ciclare per il calcolo
listaIntervalli = []
i = 500
#Viene definito un numero di intervalli di 500 sulla base della lunghezza di entrambi i testi
while (i < len(tokensTesto1) and i < len(tokensTesto2)):
listaIntervalli.append(i)
i = i + 500
#Nel codice che segue, ad ogni intervallo si individua la frequenza della parola ("for elem in vocabolario" in poi)
#e, in base ad essa, si aggiunge (o meno) la parola alla classe di frequenza appropriata
for intervallo in listaIntervalli:
#Liste delle classi (ri)definite per ciascun intervallo in lista
classeV1Testo1 = []
classeV5Testo1 = []
classeV10Testo1 = []
listaTokenInt1 = tokensTesto1[:intervallo]
vocabolario1 = set(listaTokenInt1)
for elem in vocabolario1:
freq = listaTokenInt1.count(elem)
if freq == 1:
classeV1Testo1.append(elem)
elif freq == 5:
classeV5Testo1.append(elem)
elif freq == 10:
classeV10Testo1.append(elem)
classeV1Testo2 = []
classeV5Testo2 = []
classeV10Testo2 = []
listaTokenInt2 = tokensTesto2[:intervallo]
vocabolario2 = set(listaTokenInt2)
for elem in vocabolario2:
freq = listaTokenInt2.count(elem)
if freq == 1:
classeV1Testo2.append(elem)
elif freq == 5:
classeV5Testo2.append(elem)
elif freq == 10:
classeV10Testo2.append(elem)
#In questo caso il confronto avviene direttamente nella funzione, perché avviene ciclicamente per ogni intervallo (ciclo for definito su)
print("Intervallo:", intervallo)
print("[Testo 1] Classe di frequenza |V1|:", len(classeV1Testo1), "- |V5|:", len(classeV5Testo1), "- |V10|:", len(classeV10Testo1))
print("[Testo 2] CLasse di frequenza |V1|:", len(classeV1Testo2), "- |V5|:", len(classeV5Testo2), "- |V10|:", len(classeV10Testo2))
print("\tIn questo intervallo:")
if len(classeV1Testo1) > len(classeV1Testo2):
print("\tClasse di frequenza V1: Testo 1 > Testo 2")
elif len(classeV1Testo2) > len(classeV1Testo1):
print("\tClasse di frequenza V1: Testo 2 > Testo 1")
elif len(classeV1Testo1) == len(classeV1Testo2):
print("\tClasse di frequenza V1: Testo 1 = Testo 2")
if len(classeV5Testo1) > len(classeV5Testo2):
print("\tClasse di frequenza V5: Testo 1 > Testo 2")
elif len(classeV5Testo2) > len(classeV5Testo1):
print("\tClasse di frequenza V5: Testo 2 > Testo 1")
elif len(classeV5Testo1) == len(classeV5Testo2):
print("\tClasse di frequenza V5: Testo 1 = Testo 2")
if len(classeV10Testo1) > len(classeV10Testo2):
print("\tClasse di frequenza V10: Testo 1 > Testo 2")
elif len(classeV10Testo2) > len(classeV10Testo1):
print("\tClasse di frequenza V10: Testo 2 > Testo 1")
elif len(classeV10Testo1) == len(classeV10Testo2):
print("\tClasse di frequenza V10: Testo 1 = Testo 2")
print()
def CalcolaMediaSostantiviVerbi(frasi):
mediaSTotale = 0
mediaVTotale = 0
mediaSVTotale = 0
for frase in frasi:
sostantivi = []
verbi = []
tokensFrase = nltk.word_tokenize(frase)
tokensPOS = nltk.pos_tag(tokensFrase)
for tokPOS in tokensPOS:
#Per evitare il tagger consideri erroneamente anche la punteggiatura (come faceva).
#Trattandosi di nomi e verbi escludere i token di lunghezza 1 non dovrebbe creare problemi
if len(tokPOS[0]) > 1:
if tokPOS[1] == "NN" or tokPOS[1] == "NNS" or tokPOS[1] == "NNP" or tokPOS[1] == "NNPS":
sostantivi.append(tokPOS)
elif tokPOS[1] == "VB" or tokPOS[1] == "VBD" or tokPOS[1] == "VBG" or tokPOS[1] == "VBN" or tokPOS[1] == "VBP" or tokPOS[1] == "VBZ":
verbi.append(tokPOS)
numeroS = len(sostantivi)
numeroV = len(verbi)
numeroSV = numeroS + numeroV
#Per ogni frase si calcolano le varie medie e si aggiorna il valore della media totale
mediaSFrase = numeroS/len(tokensFrase)
mediaSTotale = mediaSTotale + mediaSFrase
mediaVFrase = numeroV/len(tokensFrase)
mediaVTotale = mediaVTotale + mediaVFrase
mediaSVFrase = numeroSV/len(tokensFrase)
mediaSVTotale = mediaSVTotale + mediaSVFrase
#Le medie finali relative all'intero testo
mediaSTesto = mediaSTotale/len(frasi)
mediaVTesto = mediaVTotale/len(frasi)
mediaSVTesto = mediaSVTotale/len(frasi)
return mediaSTesto, mediaVTesto, mediaSVTesto
def CalcolaDensitaLessicale(tokens):
tokensPOS = nltk.pos_tag(tokens)
parolePiene = []
#Creazione di una lista in cui vengono poi inserite le parole "piene", ovvero appartenenti alle PoS indicate nella consegna
categoriePiene = ["NN", "NNS", "NNP", "NNPS", "VB", "VBD", "VBG", "VBN", "VBP", "VBZ", "JJ", "JJR", "JJS", "RB", "RBR", "RBS"]
for tokPOS in tokensPOS:
if tokPOS[1] in categoriePiene:
parolePiene.append(tokPOS)
for tok in tokensPOS:
#Esclusione dei segni di punteggiatura per il calcolo della densità lessicale
if tok[1] == "." or tok[1] == ",":
tokensPOS.remove(tok)
numeroParolePiene = len(parolePiene)
numeroParoleVuote = len(tokensPOS)
DensitaLessicale = numeroParolePiene / numeroParoleVuote
return DensitaLessicale
def main(file1, file2):
#Presentazione task programma
print("Questo programma svolge i seguenti compiti:")
print("\t[1.1] Confronto dei due testi in base al numero di frasi")
print("\t[1.2] Confronto dei due testi in base al numero di token")
print("\t[2.1] Confronto dei due testi in base alla lunghezza media delle frasi (espressa in numero di token)")
print("\t[2.2] Confronto dei due testi in base alla lunghezza media dei token (espressa in numero di caratteri)")
print("\t[3.1] Confronto dei due testi in base alla grandezza del vocabolario (N di parole tipo)")
print("\t[3.2] Confronto dei due testi in base alla ricchezza lessicale (calcolata come Type-Token Ratio)")
print("\t[4.1] Confronto della distribuzione delle classi di frequenza calcolate all'aumentare del testo di 500 token")
print("\t[5.1] Confronto della media dei sostantivi per frase")
print("\t[5.2] Confronto della media dei verbi per frase")
print("\t[5.3] Confronto della media dei sostantivi E dei verbi per frase")
print("\t[6.1] Confronto della densità lessicale")
print()
print("# ------------ #")
print()
#Apertura in input dei due file txt
fileInput1 = open(file1, mode="r", encoding="utf-8")
fileInput2 = open(file2, mode="r", encoding="utf-8")
raw1 = fileInput1.read()
raw2 = fileInput2.read()
sentence_tokenizer = nltk.data.load("tokenizers/punkt/english.pickle")
# Un'unica funzione per i primi calcoli - i valori (array) sono restituiti come
# variabili del main, così da potere essere riutilizzati in seguito
frasiTesto1, frasiTesto2, tokensTesto1, tokensTesto2 = CalcolaTokensEFrasi(raw1, raw2)
#I primi confronti (frasi e token) invece avvengono nel main:
#1.1 Confronto del numero di frasi:
print("[1.1] Confronto dei due testi in base al numero di frasi:")
if len(frasiTesto1) > len(frasiTesto2):
print("\tIl numero di frasi del primo testo, cioè", file1+", è superiore a quello del secondo testo, cioè", file2+".")
print("\t"+file1, "ha infatti", len(frasiTesto1),"frasi, mentre", file2, "ne ha", str(len(frasiTesto2))+".")
elif len(frasiTesto2) > len(frasiTesto1):
print("\tIl numero di frasi del secondo testo, cioè", file2+", è superiore a quello del primo testo, cioè", file1+".")
print("\t"+file2, "ha infatti", len(frasiTesto2),"frasi, mentre", file1, "ne ha", str(len(frasiTesto1))+".")
print()
#1.2 Confronto del numero di token:
print("[1.2] Confronto dei due testi in base al numero di token:")
if len(tokensTesto1) > len(tokensTesto2):
print("\tIl numero di token del primo testo, cioè", file1+", è superiore a quello del secondo testo, cioè", file2+".")
print("\t"+file1, "ha infatti", len(tokensTesto1),"token, mentre", file2, "ne ha", str(len(tokensTesto2))+".")
elif len(tokensTesto2) > len(tokensTesto1):
print("\tIl numero di token del secondo testo, cioè", file2+", è superiore a quello del primo testo, cioè", file1+".")
print("\t"+file2, "ha infatti", len(tokensTesto2),"token, mentre", file1, "ne ha", str(len(tokensTesto1))+".")
print()
print("# ------------ #")
print()
#2.1 Lunghezza media delle frasi in token:
print("[2.1] Confronto dei due testi in base alla lunghezza media delle frasi (espressa in numero di token):")
#Valori calcolati nella funzione; confronti direttamente nel main
LunghezzaMediaFrasiTesto1, LunghezzaMediaFrasiTesto2, LunghezzaMediaTokenTesto1, LunghezzaMediaTokenTesto2 = CalcolaLunghezzeMedie(frasiTesto1, frasiTesto2)
if LunghezzaMediaFrasiTesto1 > LunghezzaMediaFrasiTesto2:
print("\tLa lunghezza media delle frasi del primo testo, cioè ", file1+", è di", str(LunghezzaMediaFrasiTesto1)+ ", mentre quella del file", file2, "è di", str(LunghezzaMediaFrasiTesto2)+". Il primo testo ha quindi una lunghezza media delle frasi superiore.")
elif LunghezzaMediaFrasiTesto2 > LunghezzaMediaFrasiTesto1:
print("\tLa lunghezza media delle frasi del secondo testo, cioè ", file2+", è di", str(LunghezzaMediaFrasiTesto2)+", mentre quella del file", file1, "è di", str(LunghezzaMediaFrasiTesto1)+". Il secondo testo ha quindi una lunghezza media delle frasi superiore.")
print()
#2.2 Lunghezza media dei token in caratteri:
print("[2.2] Confronto dei due testi in base alla lunghezza media dei token (espressa in numero di caratteri):")
if LunghezzaMediaTokenTesto1 > LunghezzaMediaTokenTesto2:
print("\tLa lunghezza media dei token del primo testo è di", str(LunghezzaMediaTokenTesto1)+ ", mentre quella del secondo è di", str(LunghezzaMediaTokenTesto2)+". Il primo testo ha quindi una lunghezza media dei token superiore.")
elif LunghezzaMediaTokenTesto2 > LunghezzaMediaTokenTesto1:
print("\tLa lunghezza media dei token del secondo testo è di", str(LunghezzaMediaTokenTesto2)+ ", mentre quella del primo è di", str(LunghezzaMediaTokenTesto1)+". Il secondo testo ha quindi una lunghezza media dei token superiore.")
print()
print("# ------------ #")
print()
#3.1 Grandezza del Vocabolario
print("[3.1] Confronto dei due testi in base alla grandezza del vocabolario (N di parole tipo):")
vocabolarioTesto1, TTRTesto1 = CreaVocabolario(tokensTesto1)
vocabolarioTesto2, TTRTesto2 = CreaVocabolario(tokensTesto2)
GrandezzaVocabolarioTesto1 = len(vocabolarioTesto1)
GrandezzaVocabolarioTesto2 = len(vocabolarioTesto2)
#Anche in questo caso: funzione apposita per la definizione delle variabili, che sono poi confrontate nel main
if GrandezzaVocabolarioTesto1 > GrandezzaVocabolarioTesto2:
print("\tIl vocabolario del primo testo,", file1+", è più grande di quello del secondo, cioè", file2+". Il vocabolario del primo testo è grande infatti", GrandezzaVocabolarioTesto1, "parole tipo, quello del secondo è grande", GrandezzaVocabolarioTesto2, "parole tipo.")
if GrandezzaVocabolarioTesto2 > GrandezzaVocabolarioTesto1:
print("\tIl vocabolario del secondo testo,", file2+", è più grande di quello del primo, cioè", file1+". Il vocabolario del secondo testo è grande infatti", GrandezzaVocabolarioTesto2, "parole tipo, quello del primo è grande", GrandezzaVocabolarioTesto1, "parole tipo.")
print()
#3.2 Ricchezza del vocabolario calcolata come Type-Token Ratio
print("[3.2] Confronto dei due testi in base alla ricchezza lessicale (calcolata come Type-Token Ratio):")
if TTRTesto1 > TTRTesto2:
print("\tIl primo testo è lessicalmente più ricco del secondo. La sua TTR è di", TTRTesto1, "mentre quella del secondo testo è di", str(TTRTesto2)+".")
elif TTRTesto2 > TTRTesto1:
print("\tIl secondo testo è lessicalmente più ricco del primo. La sua TTR è di", TTRTesto2, "mentre quella del secondo testo è di", str(TTRTesto1)+".")
print()
print("# ------------ #")
print()
#4.1 Distribuzione delle classi di frequenza |V1|, |V5| e |V10| all'aumentare del testo, 500 parole per volta
print("[4.1] Confronto della distribuzione delle classi di frequenza calcolate all'aumentare del testo di 500 token:")
print()
#Interamente gestito dalla funzione
CalcolaDistribuzioniClassi(tokensTesto1, tokensTesto2)
print()
print("# ------------ #")
print()
#5.1 Media di sostantivi e verbi per frase
#Per questo esercizio non ero sicuro se la consegna volesse dire "media dei sostantivi e media dei verbi" oppure "media di sostantivi+verbi": nel dubbio ho svolto tutti e due (/tre) i calcoli.
mediaSostantivi1, mediaVerbi1, mediaSostantiviVerbi1 = CalcolaMediaSostantiviVerbi(frasiTesto1)
mediaSostantivi2, mediaVerbi2, mediaSostantiviVerbi2 = CalcolaMediaSostantiviVerbi(frasiTesto2)
#Le medie sono calcolate nella funzione e confrontate nel main
print("[5.1] Confronto della media dei sostantivi per frase:")
if mediaSostantivi1 > mediaSostantivi2:
print("\tLa media dei sostantivi per frase nel primo testo,", str(file1)+", è:", str(mediaSostantivi1)+", ed è superiore a quella del secondo testo, cioè", str(file2)+", che è:", str(mediaSostantivi2)+".")
elif mediaSostantivi2 > mediaSostantivi1:
print("\tLa media dei sostantivi per frase nel secondo testo,", str(file2)+", è:", str(mediaSostantivi2)+", ed è superiore a quella del primo testo, cioè", str(file1)+", che è:", str(mediaSostantivi1)+".")
print()
print("[5.2] Confronto della media dei verbi per frase:")
if mediaVerbi1 > mediaVerbi2:
print("\tLa media dei verbi per frase nel primo testo,", str(file1)+", è:", str(mediaVerbi1)+", ed è superiore a quella del secondo testo, cioè", str(file2)+", che è:", str(mediaVerbi2)+".")
elif mediaVerbi2 > mediaVerbi1:
print("\tLa media dei verbi per frase nel secondo testo,", str(file2)+", è:", str(mediaVerbi2)+", ed è superiore a quella del primo testo, cioè", str(file1)+", che è:", str(mediaVerbi1)+".")
print()
print("[5.3] Confronto della media dei sostantivi E dei verbi per frase:")
if mediaSostantiviVerbi1 > mediaSostantiviVerbi2:
print("\tLa media dei verbi e dei sostantivi per frase nel primo testo,", str(file1)+", è:", str(mediaSostantiviVerbi1)+", ed è superiore a quella del secondo testo, cioè", str(file2)+", che è:", str(mediaSostantiviVerbi2)+".")
elif mediaSostantiviVerbi2 > mediaSostantiviVerbi1:
print("\tLa media dei verbi e dei sostantivi per frase nel secondo testo,", str(file2)+", è:", str(mediaSostantiviVerbi2)+", ed è superiore a quella del primo testo, cioè", str(file1)+", che è:", str(mediaSostantiviVerbi1)+".")
print()
print("# ------------ #")
print()
#6.1 Densità lessicale
print("[6.1] Confronto della densità lessicale:")
DensitaLessicaleTesto1 = CalcolaDensitaLessicale(tokensTesto1)
DensitaLessicaleTesto2 = CalcolaDensitaLessicale(tokensTesto2)
if DensitaLessicaleTesto1 > DensitaLessicaleTesto2:
print("\tIl primo testo è lessicalmente più denso del secondo. Esso ha infatti una densità lessicale di", str(DensitaLessicaleTesto1)+", mentre il secondo testo la ha di", str(DensitaLessicaleTesto2)+".")
elif DensitaLessicaleTesto2 > DensitaLessicaleTesto1:
print("\tIl secondo testo è lessicalmente più denso del primo. Esso ha infatti una densità lessicale di", str(DensitaLessicaleTesto2)+", mentre il primo testo la ha di", str(DensitaLessicaleTesto1)+".")
main(sys.argv[1], sys.argv[2])