Statistikë Gjuhësore

Artikulli i plotë: https://medium.com/@eness.188/statistik%C3%AB-e-germave-t%C3%AB-shqipes-810d9b3873a4

Synimi i këtij projekti është të nxjerr në pah elemente gjuhësore të alfabetit të gjuhës shqipe. Kodi i mësipërm llogarit këto të dhëna:

1. Përqindjen e shkronjave më të përdorura të gjuhës shqipe,
   1. Përqindjen e plotë - Numrin e shfaqjeve të një shkronjeje në korpusin e paraqitur.
   2. Përqindjen e pjesshme - Numrin e paraqitjeve të një zanoreje/bashkëtingëlloreje në krahasim me zanoret/bashkëtingëlloret e tjera në korpusin e dhënë.
2. Përqindjen e shkronjave pasuese, p.sh në fjalën elemente germat pasuese të e-së janë: l, m, n, secila nga një herë.
3. Alfabetin i ri - Zëvendësimi i shkronjave të përbëra me germa njëshkronjëshe:

    SHRKONJAT_E_PËRBËRA = {
        "dh": "ð",
        "gj": "ɟ",
        "ll": "ɫ",
        "nj": "ɲ",
        "rr": "r̪",
        "sh": "ʃ",
        "th": "θ",
        "xh": "ҳ",  # "d͡ʒ", (NOT STANDART)
        "zh": "ʒ",
    }

4. Krahasimi i gjatësisë së teksteve me alfabete të ndryshme.

Resultatet

Rezultatet bazohen në romanin Gjakftohësia të Ismail Kadaresë të cilin mund ta gjeni në skedarin e quajtur text.txt.

1. Përqindja e përdorimit të shkronjave

2. Përqindja e shkronjave pasuese

3. Teksti me alfabet të vjetër ka 679657 germa kurse ai me alfabet të ri 635567.

4. Teksti me alfabet të ri është 6.49% apo 44090 shkronja më i shkurtër.

5. Një fjalë ka mesatarisht 3.98 shkronja (përfshin lidhëzat).

6. Një fjali përmban rreth 21.67 fjalë.

7. Përdorimi i alfabetit të ri do të rezultonte në 14.7 faqe më pak për veprën e analizuar.