Fréquence des caractères
Cette page est en reconstruction.
D'un texte à un autre, on constate qu'il y a des variations sensibles de la fréquence des lettres, y compris pour des textes de plus de 20 0000 lettres (comme celui utilisé par Francis Leboutte). Pour obtenir des statistiques aussi représentatives que possible, on utilise le corpus de Thomas Tempé, qui vise à avoir un volume critique et à contenir des textes d'origines diverses pour dépasser ces problèmes.
La plupart des analyses fréquentielles de la langue française ne tiennent compte que des lettres et non des caractères de ponctuation. Or ces derniers sont plus fréquents que certaines lettres (,'-.:), il faut donc en tenir compte.
On remarquera que l'analyse fréquentielle du français donne a peu près les même résultats que l'anglais, l'allemand et l'espagnol[1]. Cela pourra servir pour placer les caractères rares en français (surtout vis-à-vis de l'anglais).
Corpus de Thomas Tempé
http://gpl.insa-lyon.fr/Dvorak-Fr/CorpusDeThomasTempé 1 616 343 caractères (72 différents)
| e | 225947 | 13.980 |
| s | 121895 | 7.542 |
| a | 117110 | 7.246 |
| i | 115465 | 7.144 |
| t | 111103 | 6.874 |
| n | 108812 | 6.732 |
| r | 100500 | 6.218 |
| u | 96785 | 5.988 |
| l | 83668 | 5.177 |
| o | 82762 | 5.121 |
| d | 56269 | 3.481 |
| c | 50003 | 3.094 |
| p | 46335 | 2.867 |
| m | 45521 | 2.816 |
| é | 29206 | 1.807 |
| v | 24975 | 1.545 |
| , | 22173 | 1.372 |
| ' | 21958 | 1.359 |
| q | 20889 | 1.292 |
| f | 16351 | 1.012 |
| . | 13921 | 0.861 |
| b | 13822 | 0.855 |
| g | 13288 | 0.822 |
| h | 11298 | 0.699 |
| j | 8351 | 0.517 |
| à | 7449 | 0.461 |
| - | 6887 | 0.426 |
| x | 5928 | 0.367 |
| y | 4725 | 0.292 |
| è | 4160 | 0.257 |
| ê | 3445 | 0.213 |
| " | 3326 | 0.206 |
| z | 2093 | 0.129 |
| : | 1922 | 0.119 |
| w | 1747 | 0.108 |
| ) | 1616 | 0.100 |
| ( | 1506 | 0.093 |
| ç | 1306 | 0.081 |
| 0 | 1173 | 0.073 |
| / | 1141 | 0.071 |
| ? | 1093 | 0.068 |
| ; | 942 | 0.058 |
| ù | 890 | 0.055 |
| ! | 877 | 0.054 |
| 1 | 782 | 0.048 |
| k | 745 | 0.046 |
| 2 | 725 | 0.045 |
| î | 695 | 0.043 |
| 3 | 488 | 0.030 |
| 9 | 284 | 0.018 |
| 5 | 281 | 0.017 |
| 4 | 235 | 0.015 |
| 7 | 199 | 0.012 |
| 6 | 198 | 0.012 |
| 8 | 183 | 0.011 |
| * | 148 | 0.009 |
| œ | 108 | 0.006 |
| ï | 84 | 0.005 |
| = | 81 | 0.005 |
| @ | 72 | 0.004 |
| + | 68 | 0.004 |
| > | 64 | 0.004 |
| ] | 56 | 0.003 |
| [ | 54 | 0.003 |
| % | 48 | 0.003 |
| < | 47 | 0.003 |
| & | 20 | 0.001 |
| | | 12 | 0.001 |
| # | 11 | 0.001 |
| $ | 10 | 0.001 |
| ë | 7 | 0.000 |
| ~ | 5 | 0.000 |
Corpus de Nicolas C.
Statistiques des fréquences des symboles
Ces statistiques ont été calculées en vue d'être utilisés pour le placement des touches, donc ne correspondent pas exactement à des stats pures du corpus utilisés. Liste des traitements effectués :
- regroupement majuscules/minuscules (on cumule les stats de E et de e) ;
- y'a pas de notion de majuscules/minuscules pour la ponctuation, donc on effectue les regroupements suivants (ce sont pas ceux que j'ai utilisé à l'origine, mais ceux qui ont été fait ensuite, j'ai refait les stats en fonction pour avoir des stats à jour pour l'argumentation des permutations) :
* @@':' -> '.'@@ ; * @@'?' -> ','@@ ; * @@';' -> "'"@@ ; * @@'!' -> @@dead-^ ;
- PAS de regroupement chiffres/symboles ;
- report des stats de âêûîôäëïöü sur aeuio, dead-^ et dead-diaresis
Ce qui donne donc :
lettre rang occurence e 1 229143 s 2 121895 a 3 117758 i 4 116225 t 5 111103 n 6 108812 r 7 100500 u 8 97632 l 9 83668 o 10 83229 d 11 56269 c 12 50003 p 13 46335 m 14 45521 é 15 29206 v 16 24975 , 17 23266 ' 18 22965 q 19 20889 f 20 16351 . 21 15843 b 22 13822 g 23 13288 h 24 11298 j 25 8351 à 26 7449 dead-^ 27 7225 - 28 6887 x 29 5928 y 30 4725 è 31 4160 " 32 3326 z 33 2093 w 34 1747 ) 35 1616 ( 36 1506 ç 37 1306 0 38 1173 / 39 1141 ù 40 890 1 41 782 k 42 745 2 43 725 3 44 488 9 45 284 5 46 281 œ 47 256 4 48 235 7 49 199 6 50 198 « 51 191 » 52 187 8 53 183 * 54 148 _ 55 107 dead-¨ 56 101 = 57 81 @ 58 72 + 59 68 > 60 64 ] 61 56 [ 62 54 % 63 48 < 64 47 ¨ 65 20 & 66 20 | 67 12 # 68 11 $ 69 10 70 8 ° 71 8 ² 72 7 ^ 73 5 ~ 74 5 © 75 4 · 76 2 ž 77 1 ð 78 1
Autres analyses fréquentielles
- 100 000 caractères http://www.apprendre-en-ligne.net/crypto/stat/francais.html
- 482 258 462 caractères http://www.lexique.org/listes/liste_lettres.php
- http://www.algo.be/ergo/frequences.html
Remarques
Certaines analyses regroupent les caractères portant le même diacritique, d'autres omettent les ligatures, le ponctuation ou les encore chiffres. Des analyses plus poussées devraient être faites en tentant compte de tous les caractères rencontrés, sans filtrage. (Crako prépare une analyse fréquentielle basée sur l'encyclopédie wikipédia francophone qui devrait permette de trancher.)
En croisant les diverses analyses, on trouve (l'ordre exact reste à préciser) :
- entre 2 et 0.5% : é [v] , ' [qf] . [gbhj]
- entre 0.5 et 0.1% : à - [x] è [y] ê " [z] : ( )
- entre 0.1 et 0.01% : ç 0 / ? ; â ô î ù û ! 1 [kw] 2 î 3 9 5 4 7 6 8
- moins de 0.01% : * œ ï = @ + > ] [ % < & | # $ ë ~
- moins de 0.001% : ü ö …
Note :
- le w devrait être dernier et est trop fréquent dans les corpus Tempé/Chartier
- le a est seulement à 6% sur le corpus Leboutte
- la fréquence du guillemet " est un reliquat de l'azerty qui n'a pas les vrais «».
- le bépo a préféré placer le tiret sur la touche clavier azerty8) de la rangée des chiffres bien qu'il soit relativement fréquent.
Liens externes
- Fréquence des lettres sur lexique.org
- Fréquence des lettres et des bigrammes sur apprendre-en-ligne.net
- Fréquence d'apparition des lettres en français sur Wikipédia
