Библиотека позволяет извлекать из текста следующие статистические показатели:

• количество предложений
• количество слов
• количество уникальных слов
• количество длинных слов
• количество сложных слов
• количество простых слов
• количество односложных слов
• количество многосложных слов
• количество символов
• количество букв
• количество пробелов
• количество слогов
• количество знаков препинания
• распределение слов по количеству букв
• распределение слов по количеству слогов

Любую статистику можно вывести на экран в читаемом виде:

>>> from ruts import BasicStats

>>> text = "Существуют три вида лжи: ложь, наглая ложь и статистика"
>>> BasicStats(text).print_stats()
     Статистика     | Значение
------------------------------
Предложения         |    1
Слова               |    9
Уникальные слова    |    8
Длинные слова       |    3
Сложные слова       |    2
Простые слова       |    7
Односложные слова   |    5
Многосложные слова  |    4
Символы             |    55
Буквы               |    45
Пробелы             |    8
Слоги               |    18
Знаки препинания    |    2

Подробнее - в документации.

Библиотека позволяет вычислять для текста следующие метрики удобочитаемости:

• Тест Флеша-Кинкайда
• Индекс удобочитаемости Флеша
• Индекс Колман-Лиау
• Индекс SMOG
• Автоматический индекс удобочитаемости
• Индекс удобочитаемости LIX

Коэффициенты метрик для русского языка были взяты из работы исследователей проекта Plain Russian Language, которые получили их на основе специально подобранных текстов с предварительными возрастными пометками.

>>> from pprint import pprint
>>> from ruts import ReadabilityStats

>>> text = "Ног нет, а хожу, рта нет, а скажу: когда спать, когда вставать, когда работу начинать"
>>> rs = ReadabilityStats(text)

>>> pprint(rs.get_stats())
{'automated_readability_index': 0.2941666666666656,
 'coleman_liau_index': 1.1700000000000053,
 'flesch_kincaid_grade': 2.926666666666666,
 'flesch_reading_easy': 87.16833333333334,
 'lix': 35.0,
 'smog_index': 0.05}

>>> rs.print_stats()
                Метрика                 | Значение
--------------------------------------------------
Тест Флеша-Кинкайда                     |   2.93
Индекс удобочитаемости Флеша            |  87.17
Индекс Колман-Лиау                      |   1.17
Индекс SMOG                             |   0.05
Автоматический индекс удобочитаемости   |   0.29
Индекс удобочитаемости LIX              |  35.00

Подробнее - в документации.

Библиотека позволяет вычислять для текста следующие метрики лексического разнообразия:

• Type-Token Ratio (TTR)
• Root Type-Token Ratio (RTTR)
• Corrected Type-Token Ratio (CTTR)
• Herdan Type-Token Ratio (HTTR)
• Summer Type-Token Ratio (STTR)
• Mass Type-Token Ratio (MTTR)
• Dugast Type-Token Ratio (DTTR)
• Moving Average Type-Token Ratio (MATTR)
• Mean Segmental Type-Token Ratio (MSTTR)
• Measure of Textual Lexical Diversity (MTLD)
• Moving Average Measure of Textual Lexical Diversity (MAMTLD)
• Hypergeometric Distribution D (HD-D)
• Индекс Симпсона
• Гапакс-индекс

Часть реализаций метрик взята из проекта lexical_diversity.

>>> from pprint import pprint
>>> from ruts import DiversityStats

>>> text = "Ног нет, а хожу, рта нет, а скажу: когда спать, когда вставать, когда работу начинать"

>>> pprint(DiversityStats(text).get_stats())
{'cttr': 2.008316044185609,
 'dttr': 10.268784661968121,
 'hapax_index': 431.2334616537499,
 'hdd': -1,
 'httr': 0.8854692840710255,
 'mamtld': 11.875,
 'mattr': 0.7333333333333333,
 'msttr': 0.7333333333333333,
 'mtld': 15.0,
 'mttr': 0.09738250756232525,
 'rttr': 2.840187787218772,
 'simpson_index': 21.0,
 'sttr': 0.25006057931608583,
 'ttr': 0.7333333333333333}

Подробнее - в документации.

Библиотека позволяет извлекать из текста следующие морфологические признаки:

• часть речи
• одушевленность
• вид
• падеж
• род
• совместность
• наклонение
• число
• лицо
• время
• переходность
• залог

Для морфологического разбора текста используется библиотека pymorphy3. Описание статистик взяты из корпуса OpenCorpora.

>>> from pprint import pprint
>>> from ruts import MorphStats

>>> text = "Постарайтесь получить то, что любите, иначе придется полюбить то, что получили"
>>> ms = MorphStats(text)

>>> ms.pos
('VERB', 'INFN', 'CONJ', 'CONJ', 'VERB', 'ADVB', 'VERB', 'INFN', 'CONJ', 'CONJ', 'VERB')

>>> pprint(ms.get_stats())
{'animacy': {None: 11},
 'aspect': {None: 5, 'impf': 1, 'perf': 5},
 'case': {None: 11},
 'gender': {None: 11},
 'involvement': {None: 10, 'excl': 1},
 'mood': {None: 7, 'impr': 1, 'indc': 3},
 'number': {None: 7, 'plur': 3, 'sing': 1},
 'person': {None: 9, '2per': 1, '3per': 1},
 'pos': {'ADVB': 1, 'CONJ': 4, 'INFN': 2, 'VERB': 4},
 'tense': {None: 8, 'futr': 1, 'past': 1, 'pres': 1},
 'transitivity': {None: 5, 'intr': 2, 'tran': 4},
 'voice': {None: 11}}

>>> ms.print_stats('pos', 'tense')
---------------Часть речи---------------
Глагол (личная форма)         |    4
Союз                          |    4
Глагол (инфинитив)            |    2
Наречие                       |    1

-----------------Время------------------
Неизвестно                    |    8
Настоящее                     |    1
Будущее                       |    1
Прошедшее                     |    1

Отдельные слова можно разобрать с расшифровкой признаков через ms.explain_text(filter_none=True).

Подробнее - в документации.

Библиотека позволяет работать с несколькими заранее предобработанными наборами данных:

• sov_chrest_lit - советские хрестоматии по литературе
• stalin_works - полное собрание сочинений И.В. Сталина

Существует возможность работать как с чистыми текстами (без заголовочной информации), так и с записями, а также фильтровать их по различным критериям.

>>> from pprint import pprint
>>> from ruts.datasets import SovChLit

>>> sc = SovChLit()
>>> sc.info
{'Наименование': 'sov_chrest_lit',
 'url': 'https://dataverse.harvard.edu/file.xhtml?fileId=3670902&version=DRAFT',
 'description': 'Корпус советских хрестоматий по литературе',
 'author': 'Шкарин С.С.'}

>>> for record in sc.get_records(max_len=100, category='Весна', limit=1):
...     pprint(record)
{'author': 'Е. Трутнева',
 'book': 'Родная речь. Книга для чтения в I классе начальной школы',
 'category': 'Весна',
 'file': PosixPath('.../ruts_data/texts/sov_chrest_lit/grade_1/155'),
 'grade': 1,
 'subject': 'Дождик',
 'text': 'Дождик, дождик, поливай, будет хлеба каравай!\n'
         'Дождик, дождик, припусти, дай гороху подрасти!',
 'type': 'Стихотворение',
 'year': 1963}

Набор данных скачивается при первом обращении и кэшируется локально.

Библиотека позволяет визуализировать тексты с помощью следующих видов графиков:

• Закон Ципфа (Zipf's law)
• Литературная дактилоскопия (Literature Fingerprinting)
• Дерево слов (Word Tree)

>>> from collections import Counter
>>> from nltk.corpus import stopwords
>>> from ruts import WordsExtractor
>>> from ruts.datasets import SovChLit
>>> from ruts.visualizers import zipf

>>> sc = SovChLit()
>>> text = "\n".join(text for text in sc.get_texts(limit=100))
>>> we = WordsExtractor(use_lexemes=True, stopwords=stopwords.words("russian"), filter_nums=True)
>>> tokens_with_count = Counter(we.extract(text))
>>> zipf(tokens_with_count, num_words=100, num_labels=10, log=False, show_theory=True, alpha=1.1)

Библиотека позволяет создавать компоненты spaCy для следующих классов:

• BasicStats
• DiversityStats
• MorphStats
• ReadabilityStats

>>> import ruts
>>> import spacy

>>> nlp = spacy.load('ru_core_news_sm')
>>> nlp.add_pipe('basic', last=True)

>>> doc = nlp("Существуют три вида лжи: ложь, наглая ложь и статистика")
>>> doc._.basic.c_letters
{1: 3, 3: 2, 4: 3, 6: 1, 10: 2}

>>> doc._.basic.n_words
11

Значения отличаются от примера выше: spaCy выделяет знаки препинания в отдельные токены, и они попадают в подсчёт как слова.

Подробнее - в документации.

• docs - документация по проекту
• ruts:
  • basic_stats.py - базовые текстовые статистики
  • components.py - компоненты spaCy
  • constants.py - основные используемые константы
  • diversity_stats.py - метрики лексического разнообразия текста
  • extractors.py - инструменты для извлечения объектов из текста
  • morph_stats.py - морфологические статистики
  • readability_stats.py - метрики удобочитаемости текста
  • utils.py - вспомогательные инструменты
  • datasets - наборы данных:
    • dataset.py - базовый класс для работы с наборами данных
    • sov_chrest_lit.py - советские хрестоматии по литературе
    • stalin_works.py - полное собрание сочинений И.В. Сталина
  • visualizers - инструменты для визуализации текстов:
    • fingerprinting.py - Литературная дактилоскопия
    • word_tree.py - Дерево слов
    • zipf.py - Закон Ципфа
• tests - тесты, повторяющие структуру пакета