Hitung frekuensi kata

Kata apa yang paling diandalkan sebuah teks, seberapa sering muncul, dan berapa porsinya, untuk kata tunggal, pasangan kata, dan rangkaian tiga kata, dengan kata umum disaring.

Tempel atau ketik teks

Letakkan file di sini

.txt, .md, .csv · hingga 5 MB

Pilih file

Cara menghitung frekuensi kata

1
Tempel atau letakkan teks
File .txt, .md, atau .csv hingga 5 MB, atau ketik langsung di kotak.
2
Pilih yang dihitung
Kata tunggal, pasangan kata, atau rangkaian tiga kata, dengan jumlah minimum dan kata umum yang bisa disaring atau tidak.
3
Baca tabelnya atau ekspor
Diurutkan menurut frekuensi, dengan porsi setiap istilah dalam teks. Unduh sebagai CSV.

Kata yang sama yang ditulis dengan dua cara tetap satu kata

Teks yang disalin dari Mac sering datang dalam bentuk terurai: huruf Rusia й datang sebagai и diikuti tanda breve terpisah, dan é sebagai e diikuti tanda aksen. Di layar keduanya identik dengan bentuk gabungannya; sebagai kunci kamus, keduanya string yang berbeda, sehingga kata yang sama diam-diam terpecah menjadi dua baris tabel dengan masing-masing separuh jumlahnya. Di sini semuanya dinormalkan ke satu bentuk sebelum dihitung, karena itu totalnya cocok. Huruf besar-kecil juga disamakan secara default dengan alasan yang sama: “Kata” dan “kata” adalah kata yang sama bagi pembaca, dan memisahkannya membuat bagian atas tabel tidak berguna.

Mengapa kata umum disaring, dan kapan sebaiknya tidak

Dalam teks bahasa Inggris apa pun, sepuluh kata teratas adalah the, of, and, to, a, dan kerabatnya. Tabel itu benar, tetapi tidak memberi tahu apa pun. Menyaring kata seperti itu membuat sisanya terlihat, jadi daftar stop word untuk bahasa halaman diterapkan secara default. Tersedia daftar untuk sepuluh bahasa, dan ada sakelar untuk mematikannya bila Anda ingin melihat distribusi mentah. Penyaring ini sengaja tidak diterapkan pada pasangan dan rangkaian tiga kata: buang kata umum di sana, dan “kopi dan teh” menjadi “kopi teh”, frasa yang tidak ada di mana pun dalam teks. Pada frasa, gangguan seperti itu disaring dengan jumlah minimum.

Pasangan dan rangkaian tiga kata menemukan yang disembunyikan kata tunggal

Hitungan kata tunggal memberi tahu topiknya. Frasa dua dan tiga kata memberi tahu kebiasaannya: kalimat pembuka yang klise, kata penegas yang terus diulang, frasa yang muncul di setiap paragraf kedua tanpa disadari penulisnya. Tampilan ini layak dipakai pada tulisan Anda sendiri sebelum terbit, dan pada halaman pesaing saat Anda ingin tahu untuk apa halaman itu sebenarnya dioptimalkan. Frasa dihitung dari kata yang berurutan dengan normalisasi yang sama seperti kata tunggal, jadi frasa yang ditulis dengan huruf kapital berbeda di dua tempat tetap dihitung sebagai frasa yang sama.

Jumlah yang sama sengaja diurutkan menurut abjad

Biasanya puluhan istilah punya jumlah yang sama, dan urutan keluarnya bergantung pada urutan saat istilah itu pertama kali ditemukan. Akibatnya, memproses teks yang sama dua kali bisa menghasilkan dua tabel yang berbeda. Di sini istilah dengan jumlah yang sama diurutkan menurut abjad dengan collator untuk bahasa Anda, sehingga tabelnya bisa direproduksi: teks yang sama dengan pengaturan yang sama selalu menghasilkan baris yang sama dalam urutan yang sama. Itulah yang membuat dua hasil ekspor bisa dibandingkan.

Tidak ada yang keluar dari browser Anda

Teks dibaca, dihitung, dan diubah menjadi tabel di dalam halaman yang sudah Anda buka. Tidak ada yang dikirim ke server, tidak perlu akun, dan tidak ada penyimpanan; daftar stop word berupa file JSON kecil yang menjadi bagian dari halaman. Putuskan jaringan, dan alat tetap bekerja. Untuk menyingkirkan teks, cukup tutup tab.

Pertanyaan yang sering diajukan

Apa itu stop word?

Kata fungsi yang umum dalam suatu bahasa (“the”, “of”, “and” dalam bahasa Inggris; “yang”, “dan”, “di” dalam bahasa Indonesia) yang mendominasi tabel frekuensi mana pun tanpa mengatakan apa pun tentang teksnya. Daftar untuk sepuluh bahasa sudah tersedia, diterapkan secara default sesuai bahasa halaman, dan bisa dimatikan.

Mengapa kata umum tetap ada pada pasangan dan rangkaian tiga kata?

Karena menghapusnya akan menciptakan frasa yang tidak ada di teks: “kopi dan teh” akan dihitung sebagai “kopi teh”. Pada frasa, penyaringan dilakukan oleh jumlah minimum.

Apakah bisa dipakai untuk bahasa Mandarin dan Jepang?

Bisa. Kata dikenali dengan segmenter teks bawaan browser, bukan dengan memecah berdasarkan spasi. Hanya dengan cara ini hasilnya masuk akal untuk bahasa yang tidak memisahkan kata dengan spasi.

Bisakah tabelnya diekspor?

Bisa, sebagai CSV dengan tiga kolom: istilah, jumlah, dan porsi dalam teks sebagai persentase. File ini langsung bisa dibuka di Excel, Numbers, atau Google Sheets.

Mengapa kata saya muncul dua kali?

Biasanya tidak akan terjadi: huruf besar-kecil disamakan dan bentuk Unicode dinormalkan sebelum dihitung. Jika tetap terjadi, kedua versi berbeda karena karakter tak terlihat, seperti soft hyphen atau zero-width space.

Seberapa besar teks yang bisa diproses?

Hingga 5 MB atau satu juta karakter. Teks yang lebih besar dihitung sampai batas itu, alih-alih membuat tab macet; untuk teks yang lebih besar lagi, pisahkan file terlebih dahulu.