bokstavsfrekvens

Bokstavsfrekvens beskriver hur ofta olika bokstäver förekommer i en text. Den relativa frekvensen räknas vanligtvis som andelen av totalt antal bokstäver som varje tecken utgör, ofta uttryckt i procent. I svenskspråkiga texter ingår ofta de svenska bokstäverna å, ä och ö i analysen, utöver de övriga bokstäverna i det latinska alfabetet.

Frekvensmönster varierar mellan språk, genrer och textlängd. I många språk dominerar vissa bokstäver, särskilt vokalerna. I svenska texter är vokalerna ofta mycket vanliga jämfört med vissa konsonanter, medan frekvensen för olika bokstäver påverkas av stil och ämne. Dessa mönster används ofta som grund för jämförelser mellan texter och för att skapa generaliseringar om språket.

Frekvensdata används i flera områden. Inom kryptografi har frekvensanalys historiskt varit ett verktyg för att avkoda monoalphabetiska chiffer. I språkvetenskap och språkteknologi används bokstavsfrekvenser för att karaktärisera språk, marknadsföra ortografi och förbättra algoritmer för stavningskontroll, textklassificering och textgenerering. I typografi och tangentbordslayoutdesign vägs frekvenser mot bekvämlighet för att optimera användarens inmatning.

Så hanteras data vanligtvis genom att samla ett textkorpus, räkna förekomsterna för varje bokstav, normalisera (till exempel till små bokstäver och eventuellt bortse från diakritiska tecken), och sedan presentera frekvenserna som procent eller relativt antal. Begränsningar inkluderar källor som kan vara skeva efter genre, stil eller längd.