टेक्स्ट सांख्यिकी

शब्द ठीक है क्या

तीन प्रोग्रामों से शब्द गणना माँगें और आप आसानी से तीन उत्तर पा सकते हैं। असहमति कोई बग नहीं है, यह एक परिभाषा समस्या है। "state-of-the-art" जैसा हाइफ़नयुक्त संयुक्त शब्द एक टाइपसेटर के लिए एक शब्द और एक नाइव विभाजक के लिए चार है। "don't" में एपॉस्ट्रॉफ को शब्द को विभाजित नहीं करना चाहिए, जबकि उद्धरण चिह्न के रूप में उपयोग किए गए एपॉस्ट्रॉफ को करना चाहिए। संख्याएँ, URL और ईमेल पते प्रत्येक एक अलग नियम आमंत्रित करते हैं।

यह उपकरण शब्द को अक्षरों या अंकों की एक श्रृंखला मानता है, जिसे वैकल्पिक रूप से एक एपॉस्ट्रॉफ और अधिक अक्षरों द्वारा जारी किया जा सकता है। चूँकि मिलान Unicode-जागरूक है, इसलिए उच्चारण-चिह्नित लातिनी, यूनानी, सिरिलिक और CJK वर्ण सभी अक्षर के रूप में गिने जाते हैं न कि चुपचाप छोड़े जाते हैं। श्रृंखलाओं के बीच विराम चिह्न उन्हें अलग करते हैं, इसलिए "well-known" दो गिना जाता है और "it's" एक। नियम जानना इससे अधिक मायने रखता है कि कौन सा नियम चुना गया है, क्योंकि यह आपको संख्या का अनुमान लगाने देता है न कि इस पर बहस करने के लिए।

वाक्य, पैराग्राफ़ और पंक्तियाँ

भाषा मॉडल के बिना वाक्य का पता लगाना स्वभाव से अनुमानित है। पूर्ण विराम, प्रश्न चिह्न और विस्मयादिबोधक चिह्न पर विभाजन साधारण गद्य के लिए काम करता है और संक्षिप्त रूपों पर भविष्यवाणीपूर्वक विफल होता है: "Dr. Smith arrived at 9 a.m." एक नाइव विभाजक के लिए तीन वाक्य जैसा दिखता है। वाक्य गणना को पठनीयता कार्य के लिए एक अच्छा अनुमान मानें, न कि एक सटीक आँकड़े के रूप में।

पैराग्राफ़ और पंक्तियाँ अधिक यांत्रिक हैं लेकिन फिर भी भिन्न हैं। एक पंक्ति कुछ भी है जो न्यूलाइन से अलग हो, इसलिए हार्ड-रैप्ड फ़ाइल में कई पंक्तियाँ और कम पैराग्राफ़ होते हैं। एक पैराग्राफ़ एक या अधिक रिक्त पंक्तियों से अलग किया गया ब्लॉक है, जो इस बात से मेल खाता है कि Markdown और अधिकांश संपादक कैसे सोचते हैं। दो संख्याओं की तुलना करने से जल्दी पता चल जाता है कि क्या टेक्स्ट हार्ड-रैप्ड आया था, जो तब मायने रखता है जब किसी ऐसे सिस्टम में पेस्ट किया जा रहा हो जो पुनःप्रवाहित करता है।

पठन समय और आवृत्ति

पठन-समय अनुमान 200 शब्द प्रति मिनट का उपयोग करता है, साधारण गद्य की मूक पठन के लिए एक सामान्य औसत। वास्तविक गति व्यापक रूप से भिन्न होती है: कोड नमूनों वाली तकनीकी सामग्री धीमी चलती है, परिचित मार्केटिंग कॉपी तेज़, और फ़ोन पर पढ़ना डेस्कटॉप की तुलना में धीमा है। आँकड़े को तुलनात्मक तुलना के लिए उपयोग करें, अपने पाठकों से वादा के रूप में नहीं।

शब्द आवृत्ति वह जगह है जहाँ उपकरण संपादन में अपना स्थान कमाता है। गणना से क्रमबद्ध करने पर अचेतन पुनरावृत्ति, वे क्रूर शब्द जो आठ सौ में ग्यारह बार आते हैं, और यह कि जिस विषय के बारे में आप लिखना चाहते थे वह वास्तव में सबसे बार आने वाला संज्ञा है या नहीं, प्रकट होता है। "सामान्य शब्दों को नज़रअंदाज़ करें" टॉगल बंद-वर्ग कार्य शब्दों जैसे लेख, पूर्वसर्ग और सर्वनाम को हटा देता है, जो अन्यथा हर भाषा में हर सूची पर हावी रहते हैं और कुछ नहीं बताते।