Toată povestea asta a plecat de la cuvântul zilei de pe dexonline.ro. Prea multe detalii despre arborele de idei care m-a împins la interogarea a peste 130.000 de cuvinte pe google, e un pic irelevant. Important este că la sfârșitul experimentului, am rămas cu un pachet de date care mi-a satisfăcut câteva curiozități.
Ce am făcut?
Dexonline.ro este un proiect liber și gratuit sub licența publică generală GNU (GPL) și pune la dispoziția curioșilor baza de date folosită de sistemul lor, care nu e foarte strălucită, dar e suficient de intuitivă. Din această baze de date, eu am folosit tabela RandomWord. Părea să fie la îndemână și nu am vrut, la momentul respectiv, să-mi supăr zeii. Mai ales că în tabela Lexem, care conține și mai multe cuvinte, m-am uitat un pic cam târziu.
Fiecare cuvânt din această tabelă, l-am căutat pe Google și am notat totalul aproximativ al rezultatelor. Căutările au fost doar în paginile scrise în limba română. La sfârșit m-am ales cu un fișier care conține câteva informații ce pot alina curiozitatea unora. Trebuie menționat că în acest tabel, sunt toate cuvintele, nu doar cele cu sens plin, deci, incluzând conjuncţiile, prepoziţiile etc..
De exemplu, în următoarea imagine sunt cele mai folosite cuvinte din internetul românesc. Coloana Total Rezultate reprezintă rezultatul dat de Google iar proporția de folosire a cuvântului este calculată din totalul rezultatelor pentru toate cuvintele. Celelalte coloane reprezintă diverse curiozități. De exemplu o sortare după Total Diacritice sau nr caractere ne va răspunde la alte curiozități.
Aici sunt cele mai puțin folosite cuvinte, care demonstrează că, statistic vorbind, experimentul a fost un succes.
Am să vă dau acest fișier salvat de Excel 2010, să vă jucați cu el. Doar imaginația vă oprește să-l folosiți. De exemplu, puteți să faceți o mică aplicație care să vă trimită prin sms / email, un cuvânt dintre cele mai puțin folosite, în fiecare zi.
Dex+Google (10.8 MiB, 1,931 hits)
În categoria: Utilitare
Ultima modificare: March 12, 2012
