英単語の出現回数を数える方法：多用語とキーワード密度の確認

英文を推敲していると、同じ語を使いすぎている気がしても、どれかは言えないことがあります。段落を貼って回数順に並べれば、繰り返している動詞や形容詞がすぐに見えます。

頻度を見るべき場面

書いた英文が単調に感じるときは、同じ動詞や接続詞が繰り返されていることが多いものです。感覚で直すと見落としが出ますが、頻度を並べれば上位に来た語から手を入れられます。

キーワード密度の確認も同じ方法です。ランディングページの本文を貼り、狙った語が何回出ているかを見ます。字幕や論文、サポートの記録に出る頻出語からは、用語の癖や質問の傾向も読み取れます。

空白で単語に分け、比較では大文字小文字を区別し、句読点も取り除きません。そのため The と the は別の行になり、dog と dog. も別、引用符やカンマが付いた語もそれぞれ独立して数えます。大文字小文字が混在すると、同じ語の回数が分散します。

出力は「単語: 回数」の形式で、回数の多い順に 1 行ずつ並びます。回数が同じ場合は、その語が最初に現れた位置で順序が決まります。結果はそのまま表計算に貼って絞り込めます。

見出し語への正規化は行わないため、run、runs、running は 3 行になります。手でまとめるか、語幹処理のツールが必要です。ストップワードの除外もないので the や a、of が上位を占めます。邪魔な場合は先に削除してから数えてください。

割合も出力しません。キーワード密度は、その語の回数を総単語数で割って自分で計算します。密度に共通の基準値はなく、内容の種類によって大きく変わるため、順位を左右する要因と考えるのではなく、書くときの参考として扱ってください。

The と the が別々に数えられるのはなぜですか？

集計が大文字小文字を区別するためです。The と the はそれぞれ別の行になり、回数も分かれます。まとめたい場合は、数える前にテキスト全体を小文字に変換してください。

句読点は集計に影響しますか？

影響します。句読点は取り除かれないため、dog と dog. は別の項目になり、dog, も別です。きれいな頻度を得たい場合は、数える前に句読点を削除するか空白に置き換えてください。

日本語や中国語も集計できますか？

正確には集計できません。空白で区切るため、空白のない日本語や中国語では文全体が 1 語になり、「文全体: 1」のような結果しか得られません。これらの言語には専用の形態素解析が必要です。