Unidades e palavras em língua portuguesa:
frequência e ordem

Projecto AC/DC, Linguateca

Information in English


A partir destas páginas, pode aceder à listagem de unidades (palavras e sinais de pontuação), com a respectiva frequência, calculadas com base quer nos distintos corpos de língua portuguesa disponibilizados pelo projecto AC/DC, quer com base nas colecções da rede em português também disponibilizadas pela Linguateca.

As listas referentes aos corpos do AC/DC foram obtidas com recurso à ferramenta cwb-lexdecode do Open CWB (antigo IMS-CWB da Universidade de Estugarda). Os lemas e as categorias gramaticais são apresentadas conforme a sua classificação em contexto pelo anotador sintáctico PALAVRAS, de Eckhard Bick. Todas estas listas foram calculadas a partir das versões anotadas automaticamente dos corpos, pelo que não podemos garantir a exatidão dos resultados.

Frequência e ordem de formas e lemas nos corpos AC/DC

Para consultar a ordem ("ranking") e a frequência de palavras ou expressões sublexicais (dentro de uma mesma palavra), desenvolvemos este serviço, que denominámos ordenador.

Alguns comentários:

Descrição do corpoLista de frequência
total das formas
no corpo
Lista de frequência
total dos lemas
no corpo
Todos os corpos 19,9 Mb 41,7 Mb
Todos os corpos portugueses 15,1 Mb 28,4 Mb
Todos os corpos brasileiros 8,9 Mb 16,1 Mb
AmostRA-NILC 282 kb 121 kb
ANCIB 1,4 Mb 1,0 Mb
Avante! 2,1 Mb 1,5 Mb
Corpus Brasileiro 76,3 Mb 143,9 Mb
CD HAREM 511 kb 263 kb
CETEMPúblico 16,3 Mb 23,1 Mb
CHAVE 12,7 Mb 16,0 Mb
Ciência Viva 740 kb 398 kb
Colonia 2,9 Mb 1,1 Mb
CONDIVport 2,6 Mb 1,3 Mb
CONDIVport2 329 kb 165 kb
CoNE 798 kb 520 kb
C-Oral-Brasil 230 kb 99 kb
DHBB 2,1 Mb 3,9 Mb
DiaCLAV 1,8 Mb 1,7 Mb
Diáspora TL-PT 47 kb 19 kb
ECI-EBR 1,0 Mb 430 kb
ECI-EE 71 kb 31 kb
ENPCPUB (parte em português) 211 kb 82 kb
Floresta 3,0 Mb 2,5 Mb
FrasesPB 98 kb 44 kb
FrasesPP 83 kb 38 kb
Mariano Gago 542 kb 297 kb
Literateca0 b0 b
Marielle, presente! 441 kb 252 kb
Moçambula 175 kb 77 kb
Museu da Pessoa 711 kb 335 kb
Natura/Minho 1,1 Mb 958 kb
NOBRE 3,6 Mb 1,2 Mb
OBras 3,2 Mb 1,0 Mb
PANTERA, lado português0 b0 b
P'lo Norte 130 kb 55 kb
Português Falado - Documentos Autênticos 97 kb 41 kb
ReLi 286 kb 91 kb
NILC/São Carlos 7,2 Mb 7,1 Mb
todos juntos 164,7 Mb 231,1 Mb
Tycho Brahe 2,4 Mb 1,3 Mb
Vercial 5,6 Mb 2,6 Mb

Procuras parciais, de poucas formas ou lemas:

Formas Lemas

  • Pode procurar usando expressões regulares da linguagem de programação Perl.
  • Para procurar lemas multipalavra, use o seguinte formato: Belo=Horizonte, Castelo=Branco.

    Frequência de formas em colecções da rede

    Para obter as frequências das colecções na rede, o seguinte algoritmo foi usado:
    • no caso do WBR99, foi usada a atomização vinda com a colecção;
    • no caso do WPT03, foi usada outra atomização.
    • no caso do WPT05, a atomização foi feita usando a função tokeniza incluída na biblioteca Lingua::PT::PLNbase.

    Não tentámos, em nenhum dos casos, retirar palavras estrangeiras da lista.

    ColecçãoNº documentosNº palavrasLista de frequência de formas amalgamando maiúsculas e minúsculasNº de formas distintas amalgamando maiúsculas e minúsculas Lista de frequência de formas fazendo a distinção entre maiúsculas e minúsculasNº de formas distintas fazendo a distinção entre maiúsculas e minúsculas
    Colecção WPT-05 9.501.202 5.856.585.035 187M (gz) 25.237.118 206M (gz) 27.861.391
    Colecção WPT-03 1.529.758 1.059.436.086 55,1M (tar.gz) 6.834.451
    Colecção WBR-99 5.939.061 1.915.526.098 14M (tar.gz) 2.669.965

    Frequência de formas e lemas por categoria gramatical nos corpos AC/DC

    CorpoFormasLemas
    NADJADVVNUMGRAMtodosNADJADVVNUMPROPGRAMtodostodos/pos
    AmostRA-NILC 67 kb 31 kb 4 kb 64 kb 1 kb 6 kb 282 kb 51 kb 22 kb 4 kb 20 kb 2 kb 20 kb 2 kb 121 kb 136 kb
    ANCIB 266 kb 111 kb 13 kb 198 kb 53 kb 99 kb 1,4 Mb 182 kb 61 kb 10 kb 40 kb 56 kb 712 kb 4 kb 1,0 Mb 1,1 Mb
    Avante! 372 kb 234 kb 31 kb 567 kb 41 kb 15 kb 2,1 Mb 241 kb 118 kb 26 kb 61 kb 50 kb 1,1 Mb 3 kb 1,5 Mb 1,7 Mb
    Corpus Brasileiro 14,3 Mb 5,8 Mb 320 kb 6,1 Mb 8,2 Mb 673 kb 76,3 Mb 12,8 Mb 4,5 Mb 285 kb 2,0 Mb 11,3 Mb 113,7 Mb 71 kb 143,9 Mb 152,6 Mb
    CD HAREM 111 kb 48 kb 7 kb 97 kb 7 kb 7 kb 511 kb 77 kb 30 kb 5 kb 23 kb 7 kb 119 kb 2 kb 263 kb 291 kb
    CETEMPúblico 2,4 Mb 1,3 Mb 109 kb 2,7 Mb 1,1 Mb 119 kb 16,3 Mb 1,7 Mb 750 kb 84 kb 283 kb 1,3 Mb 19,1 Mb 8 kb 23,1 Mb 24,6 Mb
    CHAVE 2,0 Mb 1,1 Mb 90 kb 2,2 Mb 912 kb 90 kb 12,7 Mb 1,4 Mb 601 kb 69 kb 241 kb 1008 kb 12,8 Mb 7 kb 16,0 Mb 17,1 Mb
    Ciência Viva 152 kb 85 kb 11 kb 147 kb 13 kb 20 kb 740 kb 110 kb 49 kb 9 kb 27 kb 15 kb 187 kb 2 kb 398 kb 436 kb
    Colonia 545 kb 305 kb 38 kb 1,0 Mb 8 kb 24 kb 2,9 Mb 377 kb 162 kb 32 kb 115 kb 14 kb 409 kb 5 kb 1,1 Mb 1,2 Mb
    CONDIVport 482 kb 314 kb 37 kb 646 kb 50 kb 36 kb 2,6 Mb 311 kb 166 kb 31 kb 74 kb 60 kb 684 kb 5 kb 1,3 Mb 1,4 Mb
    CONDIVport2 71 kb 30 kb 5 kb 65 kb 6 kb 8 kb 329 kb 50 kb 19 kb 4 kb 17 kb 6 kb 68 kb 2 kb 165 kb 185 kb
    CoNE 162 kb 65 kb 7 kb 103 kb 39 kb 26 kb 798 kb 112 kb 33 kb 6 kb 23 kb 42 kb 303 kb 2 kb 520 kb 566 kb
    C-Oral-Brasil 54 kb 20 kb 3 kb 48 kb 3 kb 10 kb 230 kb 44 kb 14 kb 2 kb 14 kb 4 kb 20 kb 2 kb 99 kb 116 kb
    DHBB 347 kb 197 kb 21 kb 458 kb 102 kb 27 kb 2,1 Mb 235 kb 102 kb 18 kb 49 kb 107 kb 3,4 Mb 7 kb 3,9 Mb 4,1 Mb
    DiaCLAV 341 kb 189 kb 21 kb 469 kb 48 kb 13 kb 1,8 Mb 216 kb 97 kb 17 kb 53 kb 54 kb 1,3 Mb 3 kb 1,7 Mb 1,9 Mb
    Diáspora TL-PT 9 kb 3 kb 1 kb 10 kb565 b 3 kb 47 kb 8 kb 2 kb 1 kb 3 kb574 b 3 kb 1 kb 19 kb 22 kb
    ECI-EBR 215 kb 121 kb 16 kb 271 kb 5 kb 12 kb 1,0 Mb 147 kb 70 kb 13 kb 44 kb 9 kb 146 kb 3 kb 430 kb 477 kb
    ECI-EE 15 kb 9 kb 2 kb 14 kb 1 kb 3 kb 71 kb 11 kb 6 kb 2 kb 5 kb 1 kb 3 kb 1 kb 31 kb 35 kb
    ENPCPUB (parte em português) 44 kb 21 kb 5 kb 55 kb1005 b 6 kb 211 kb 35 kb 15 kb 4 kb 15 kb 1 kb 10 kb 1 kb 82 kb 93 kb
    Floresta 631 kb 301 kb 33 kb 640 kb 56 kb 20 kb 3,0 Mb 430 kb 155 kb 29 kb 87 kb 59 kb 1,7 Mb 8 kb 2,5 Mb 2,7 Mb
    FrasesPB 26 kb 10 kb 2 kb 18 kb451 b 4 kb 98 kb 22 kb 8 kb 2 kb 8 kb419 b 2 kb 1 kb 44 kb 50 kb
    FrasesPP 21 kb 9 kb 2 kb 15 kb538 b 3 kb 83 kb 17 kb 7 kb 2 kb 6 kb504 b 3 kb 1 kb 38 kb 43 kb
    Mariano Gago 109 kb 58 kb 10 kb 136 kb 7 kb 9 kb 542 kb 76 kb 34 kb 8 kb 24 kb 7 kb 145 kb 2 kb 297 kb 325 kb
    Literateca0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b
    Marielle, presente! 90 kb 42 kb 6 kb 95 kb 11 kb 11 kb 441 kb 61 kb 25 kb 5 kb 21 kb 12 kb 127 kb 2 kb 252 kb 277 kb
    Moçambula 39 kb 18 kb 4 kb 40 kb 1 kb 5 kb 175 kb 30 kb 12 kb 3 kb 13 kb 1 kb 14 kb 1 kb 77 kb 86 kb
    Museu da Pessoa 157 kb 69 kb 9 kb 193 kb 4 kb 9 kb 711 kb 109 kb 40 kb 7 kb 32 kb 5 kb 142 kb 2 kb 335 kb 373 kb
    Natura/Minho 220 kb 121 kb 14 kb 251 kb 36 kb 11 kb 1,1 Mb 145 kb 67 kb 12 kb 40 kb 40 kb 653 kb 2 kb 958 kb 1,0 Mb
    NOBRE 635 kb 401 kb 51 kb 1,3 Mb 9 kb 39 kb 3,6 Mb 441 kb 211 kb 43 kb 144 kb 16 kb 422 kb 5 kb 1,2 Mb 1,4 Mb
    OBras 555 kb 319 kb 43 kb 1,2 Mb 11 kb 22 kb 3,2 Mb 364 kb 152 kb 36 kb 107 kb 18 kb 341 kb 6 kb 1,0 Mb 1,1 Mb
    PANTERA, lado português0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b0 b
    P'lo Norte 29 kb 12 kb 3 kb 26 kb 1 kb 5 kb 130 kb 22 kb 8 kb 2 kb 8 kb 1 kb 10 kb 1 kb 55 kb 62 kb
    Português Falado - Documentos Autênticos 23 kb 8 kb 2 kb 24 kb436 b 3 kb 97 kb 19 kb 6 kb 2 kb 8 kb 1 kb 3 kb 1 kb 41 kb 47 kb
    ReLi 48 kb 30 kb 6 kb 56 kb 1 kb 50 kb 286 kb 36 kb 18 kb 4 kb 16 kb 1 kb 15 kb 2 kb 91 kb 105 kb
    NILC/São Carlos 1,2 Mb 644 kb 56 kb 1,3 Mb 612 kb 41 kb 7,2 Mb 846 kb 341 kb 46 kb 157 kb 656 kb 5,1 Mb 6 kb 7,1 Mb 7,6 Mb
    todos juntos 23,0 Mb 7,7 Mb 414 kb 12,9 Mb 14,4 Mb 77,1 Mb 164,7 Mb 20,2 Mb 5,8 Mb 343 kb 3,5 Mb 14,6 Mb 187,4 Mb 49,4 Mb 231,1 Mb 301,5 Mb
    Tycho Brahe 500 kb 255 kb 30 kb 698 kb 15 kb 28 kb 2,4 Mb 372 kb 159 kb 26 kb 130 kb 28 kb 639 kb 5 kb 1,3 Mb 1,5 Mb
    Vercial 946 kb 524 kb 61 kb 2,0 Mb 26 kb 30 kb 5,6 Mb 637 kb 269 kb 50 kb 194 kb 41 kb 1,5 Mb 6 kb 2,6 Mb 2,9 Mb
    todos 4,6 Mb 2,3 Mb 186 kb 5,2 Mb 2,0 Mb 393 kb 19,9 Mb 3,5 Mb 1,4 Mb 160 kb 663 kb 2,3 Mb 33,9 Mb 20 kb 41,7 Mb 56,7 Mb
    todos/pt 3,4 Mb 1,8 Mb 160 kb 4,4 Mb 1,2 Mb 198 kb 19,9 Mb 2,5 Mb 1,1 Mb 133 kb 534 kb 1,4 Mb 22,9 Mb 12 kb 28,4 Mb 38,9 Mb
    todos/br 2,2 Mb 1,1 Mb 97 kb 2,6 Mb 960 kb 220 kb 8,9 Mb 1,6 Mb 630 kb 85 kb 309 kb 1,0 Mb 12,6 Mb 16 kb 16,1 Mb 22,0 Mb

    Foram classificadas como palavras gramaticais todas as palavras que não tenham sido classificadas em nenhuma das outras categorias apresentadas. Por essa razão, as listas de palavras gramaticais incluem uma coluna extra, indicando a respectiva categoria.

    Nos casos em que os corpos estão caracterizados por variante, apresentamos também as listas por variante, em que o sufixo br e pt indicam respetivamente a variante brasileira e a portuguesa.

    CorpoFormasLemas
    NADJADVVNUMGRAMtodosNADJADVVNUMPROPGRAMtodostodos/pos
    chavebr945 1,2 Mb 652 kb 57 kb 1,3 Mb 525 kb 26 kb 4,8 Mb 819 kb 349 kb 43 kb 158 kb 559 kb 5,9 Mb 5 kb 7,8 Mb 8,3 Mb
    chavept945 1,3 Mb 762 kb 73 kb 1,7 Mb 466 kb 29 kb 5,9 Mb 938 kb 406 kb 55 kb 159 kb 536 kb 7,7 Mb 6 kb 9,7 Mb 10,4 Mb
    cdharembr 69 kb 28 kb 4 kb 56 kb 3 kb 6 kb 195 kb 50 kb 18 kb 3 kb 16 kb 4 kb 55 kb 1 kb 147 kb0 b
    cdharempt 67 kb 29 kb 5 kb 59 kb 4 kb 6 kb 202 kb 48 kb 19 kb 4 kb 16 kb 4 kb 63 kb 1 kb 157 kb0 b
    coloniabr 341 kb 201 kb 27 kb 738 kb 5 kb 16 kb 1,3 Mb 230 kb 101 kb 23 kb 74 kb 7 kb 138 kb 4 kb 584 kb0 b
    coloniapt 360 kb 193 kb 25 kb 571 kb 5 kb 17 kb 1,2 Mb 254 kb 109 kb 21 kb 84 kb 9 kb 289 kb 4 kb 767 kb0 b
    enpcpubbr 33 kb 14 kb 4 kb 36 kb862 b 5 kb 96 kb 26 kb 11 kb 3 kb 11 kb 1 kb 7 kb 1 kb 63 kb0 b
    enpcpubpt 20 kb 9 kb 3 kb 26 kb334 b 4 kb 63 kb 16 kb 7 kb 2 kb 8 kb303 b 2 kb 1 kb 38 kb0 b
    museudapessoabr 126 kb 58 kb 8 kb 142 kb 3 kb 7 kb 371 kb 89 kb 35 kb 6 kb 28 kb 4 kb 112 kb 2 kb 273 kb0 b
    museudapessoapt 69 kb 24 kb 4 kb 91 kb 2 kb 6 kb 202 kb 49 kb 15 kb 3 kb 16 kb 2 kb 33 kb 2 kb 122 kb0 b

    Finalmente, apresentamos também as listas do Vercial separadas em antes do século XIX (sufixo "ant") e depois(sufixo "mod").

    CorpoFormasLemas
    NADJADVVNUMGRAMtodosNADJADVVNUMPROPGRAMtodostodos/pos
    vercialant 323 kb 193 kb 19 kb 587 kb 7 kb 45 kb 1,1 Mb 236 kb 113 kb 15 kb 115 kb 8 kb 290 kb 4 kb 753 kb 896 kb
    vercialmod 789 kb 463 kb 59 kb 2,2 Mb 42 kb 67 kb 3,3 Mb 522 kb 220 kb 49 kb 167 kb 37 kb 1,2 Mb 6 kb 2,2 Mb 2,4 Mb

    Veja-se também informação semelhante relativa à parte portuguesa do COMPARA e do CorTrad:

    CorpoFormasLemas
    NADJADVVtodosNADJADVVPrópriostodos
    COMPARA (parte portuguesa) 545 kb 276 kb 42 kb 774 kb 1,7 Mb 327 kb 141 kb 37 kb 202 kb 219 kb 937 kb
    CorTrad jornalístico (original em português) 174 kb 102 kb 10 kb 200 kb 802 kb 117 kb 52 kb 7 kb 36 kb 234 kb 469 kb
    CorTrad literário (tradução final em português) 58 kb 31 kb 6 kb 93 kb 280 kb 45 kb 19 kb 4 kb 21 kb 17 kb 102 kb
    CorTrad culinário (original em português) 30 kb 15 kb 1 kb 31 kb 120 kb 23 kb 8 kb 1 kb 10 kb 4 kb 48 kb

    [ Exemplos | Atomização | Anotação | Corpos | Agradecimentos ]


    Última actualização: 01 Agosto 2016.
    Perguntas, comentários e sugestões.