Temas

[Python][Python][Python][Python][Python][Python][Python][Python][Python][Python][Python]

Hola a todos,

Debo obtener el porcentaje de oraciones con 1 palabra, 2 palabras, etc. en español y francés a partir de algunos libros obtenidos de gutenber.org. Aún no sé cómo llegar a definir el diccionario para que me muestre en el resultado final algo como esto:

{ "español": {1:0.05, 2:0.10, 3:0.15, 4:0.20, 5:0.22, ... },
 "francés": {1:0.03, 2:0.14, 3:0.11, 4:0.18, 5:0.29, ... },
 "italiano":  ...,
}

Ya bajé los libros de gutenberg.org, les quité los encabezados, limpié los textos, dividí los textos en oraciones mediante "<>" y dividí las oraciones por palabras. No sé qué más debo hacer para terminar este ejercicio.

Agradezco de antemano su colaboración.

Esto es lo que llevo:

# -*- coding:utf-8 -*-

from gutenberg.acquire import load_etext
from gutenberg.cleanup import strip_headers


libros_idiomas={"frances":[17808,16901,10774,33378,27566,26813,18627],
               "espanol":[16484,42727,25317,1619,27736,11529,31637,31013]
               }

for idioma in libros_idiomas:
   dic_cont_palabras_en_oraciones={}
   print "Idioma", idioma
   for codigo_libro in libros_idiomas[idioma]:
       print codigo_libro
       texto=load_etext(codigo_libro)
       texto=strip_headers(texto).lower()
       for caracter_especial in u',".-?¿()¡!«»:;*_~]':
      texto=texto.replace(caracter_especial, ' ')
       for separador_oracion in '.'+'.\n':
      texto=texto.replace(separador_oracion, u'<>')
   
       oraciones=texto.split('<>')

       for oracion in oraciones:
           
           palabras=oracion.split()
           cantidad_palabras=len(palabras)
           
           if len(palabras) in dic_cont_palabras_en_oraciones:
               dic_cont_palabras_en_oraciones[len(palabras)]+1

           else:
               dic_cont_palabras_en_oraciones[len(palabras)]=1

           palabras_en_oraciones=dic_cont_palabras_en_oraciones.keys()