Deutsch

Deutsche Bigramme

csv txtsqlxls

Das Angebot wurde von einem Nutzer am Dienstag, 2. Juli 2013, 18:17 Uhr vor 2178 Tagen inseriert.

Beschreibung des Datensatzes


Der Datensatz enthält die häufigsten Buchstabenbigramme deutschen Sprache. Also die prozentuale Häufigkeit von jeder möglichen Kombination aus 2 Buchstaben. Man kann damit also eine automatisierte Spracherkennung von beliebigen Texten durchführen. Die Daten sind in den Formaten SQL, CSV und auch XLS für Excel vorhanden. Encoding ist UTF8.

Ausschnitt aus den Daten:

INSERT INTO `ngramme` (`id`, `n`, `buchstabe`, `count`, `percent`) VALUES
(124, 2, 'er', 5765776, 0.0298532541129943),
(125, 2, 'en', 5581917, 0.028901293882843),
(127, 2, 'ch', 3962383, 0.0205158900713467),
(129, 2, 'de', 3503595, 0.0181404396986661),
(132, 2, 'ei', 2900830, 0.0150195247142097),
(133, 2, 'te', 2741528, 0.0141947123929007),
(134, 2, 'in', 2716095, 0.0140630288498952),
(135, 2, 'ie', 2661359, 0.0137796242019989),
(138, 2, 'nd', 2096475, 0.0108548443291137),
(139, 2, 'un', 1929248, 0.0099889990160884),
(140, 2, 'ge', 1896304, 0.00981842603449867),
(141, 2, 'st', 1732421, 0.00896989483179502),
(142, 2, 'es', 1600673, 0.00828774788004407),

..

Download der Dateien

2gramme_de.csv
Größe: 385.87K
Download als csv
2gramme_de.sql
Größe: 378.51K
Download als sql
2gramme_de.xls
Größe: 859
Download als xls



Schlüsselworte:


Suchbegriffe für diesen Datensatz:



Noch keine Kommentare zu diesem Datensatz vorhanden:





Korpus - Deutsche Nachrichtenmeldungen csv txt sql txt

Die Datenbank enthält10.494 Nachrichtenmeldungen aus verschiedenen Rubriken über die Jahre 2007 bis 2011. Zur einfachen Weiterverarbeitung sind die Dateiformate TXT und SQL angehängt. Das Dateiencoding ist UFT8. Die Datenfelder enthalten neben dem Nachrichtentext, auch die Überschrift, das Datum und die Quelle. Es handelt sich damit um einen diachronen Textkorpus der sich hervorragend zur historischen Trendanalyse, Korpusstatistik und automatischen Sprachanalyse (Neologismen etc.) eignet. Die Datenbank wurde automatisch aus dem deutschen Wikinews Projekt extrahiert und steht somit unter der selben Lizenz. Quelle: http://dumps.wikimedia.org/dewikinews/latest/ Lizenz: CC-BY-SA Auszug aus der Datenbank: Thunderbird 1.0 freigegeben Paris (Frankreich), 07.12.2004 - Seit dem 7. Dezember ist der E-Mail-Client, News- und RSS-Reader Mozilla Thunderbird 1.0 für Windows, Linux, Solaris und MacOS verfügbar. Thunderbird wurde Mitte 2003 aus der Mozilla Websuite ausgegliedert und als eigenständiges Projekt weiterentwickelt, nachdem die Websuite als zu langsam und zu groß in die Kritik geraten war. Damit ist nun neben dem eigenständigen Browser Mozilla Firefox, der am 9. November 2004 die Version 1.0 erreicht hatte, auch der E-Mail-Client des Mozillaprojekts der Betaphase entwachsen. Die unter dem Namen Mozilla Sunbird entwickelte Kalenderapplikation ist aber noch in einem sehr frühen Entwicklungsstadium. Bei der Entwicklung des Open-Source-Programms wurde viel Wert auf Sicherheit, Schnelligkeit und einfache Bedienung gelegt. Der E-Mail-Client kann einfach mittels Erweiterungen, auch „Extensions“ genannt, um neue Funktionen erweitert werden. Möglich ist der Import von Nachrichten, Adressen und sogar Einstellungen aus Outlook, Outlook Express und ähnlichen Programmen. Funktionen des Mailprogramms sind unter anderem ein Spamfilter, automatische Rechtschreibprüfung und eine Profilverwaltung für mehrere Nutzer. Das Verschlüsseln und Signieren von Nachrichten mit S/MIME wird von Haus aus unterstützt, für GnuPG/PGP-Funktionalität wird die Erweiterung „Enigmail“ benötigt – speziell letzteres ist eine Funktion, die für einen größeren Nutzerkreis zum Schutz ihrer Privatsphäre interessant werden könnte, wenn am 1. Januar 2005 die TKÜV (Telekommunikations-Überwachungsverordnung) in Kraft tritt. Seit der Version 0.8 wird auch ein zentraler Posteingang unterstützt. In der Version 0.9 waren die so genannten Virtuellen Ordner das Highlight der Entwicklung. Mit diesen Virtuellen Ordnern lassen sich Suchvorgänge als Ordner abspeichern, die dann automatisch alle E-Mails enthalten, auf die die Suchkriterien zutreffen. Für die Version 1.0 haben die Entwickler vor allem an der Importfunktionalität gearbeitet, auch der RSS-Reader wurde verbessert. Mailfilter, die bisher nur für POP3-Accounts verfügbar waren, funktionieren nun auch über IMAP. Das Adressbuch kann nun mit einer Schnellsuchleiste durchblättert werden und schließlich wurde das Gruppieren von Nachrichten verbessert.

Download

Buchstabenhäufigkeit im Deutschen csv txt sql xls

Der Datensatz enthält die Häufigkeiten der einzelnen Buchstaben in der deutschen Sprache. Angegeben ist jeweils die prozentuale Häufigkeit zu jedem möglichen Buchtsaben oder Zeichen. Die Daten sind in den Formaten SQL, CSV und auch XLS für Excel vorhanden. Encoding ist UTF8. Ausschnitt aus den Daten: INSERT INTO ngramme (id, n, buchstabe, count, percent) VALUES (1, 1, ' ', 26099326, 0.133997441804692), (8, 1, 'a', 8619119, 0.0442517134967475), (27, 1, 'ä', 860895, 0.0044199504486227), (29, 1, 'A', 790565, 0.00405886679143845), (78, 1, 'Ä', 15152, 7.77924011610372e-05), (86, 1, 'á', 5592, 2.87100783587988e-05), (98, 1, 'â', 1156, 5.93505911709075e-06), (107, 1, 'ã', 735, 3.7735886254859e-06), (109, 1, 'à', 623, 3.19856559684043e-06), (113, 1, 'å', 563, 2.89051754578036e-06), (117, 1, 'Á', 226, 1.16031432565961e-06), (118, 1, 'Å', 212, 1.08843644707893e-06), (17, 1, 'b', 2679321, 0.0137559935369055), (30, 1, 'B', 733053, 0.003763592466229), (13, 1, 'c', 4396291, 0.0225711479073824), (59, 1, 'C', 203192, 0.00104321499318331), (99, 1, 'ç', 1081, 5.54999905326566e-06), (9, 1, 'd', 7472204, 0.0383632979887214), (28, 1, 'D', 849212, 0.00435996835894712), ...

Download

Englische Bigramme csv txt sql xls

Der Datensatz enthält die häufigsten Buchstabenbigramme englischen Sprache. Also die prozentuale Häufigkeit von jeder möglichen Kombination aus 2 Buchstaben. Man kann damit also eine automatisierte Spracherkennung von beliebigen Texten durchführen. Die Daten sind in den Formaten SQL, CSV und auch XLS für Excel vorhanden. Encoding ist UTF8. Ausschnitt aus den Daten: INSERT INTO ngramme (id, n, buchstabe, count, percent) VALUES (127, 2, 'th', 14320528, 0.0191269653477765), (128, 2, 'he', 13799443, 0.0184309871870379), (130, 2, 'in', 11201233, 0.0149607329732095), (133, 2, 'er', 10094645, 0.0134827378650498), (134, 2, 'an', 9888662, 0.0132076202364797), (137, 2, 're', 8086665, 0.0108008141343725), (138, 2, 'on', 7659756, 0.0102306205179322), (141, 2, 'at', 6313486, 0.00843249829515169), (143, 2, 'nd', 6190383, 0.00826807790400359), (144, 2, 'or', 6170943, 0.00824211320449245), (146, 2, 'ed', 6081354, 0.00812245520734724), (147, 2, 'en', 6013232, 0.00803146923717762), (148, 2, 'es', 5986226, 0.00799539914072712), (150, 2, 'ar', 5826560, 0.00778214401150157), (151, 2, 'is', 5819185, 0.00777229372040617), (152, 2, 'te', 5772226, 0.00770957374487411), (154, 2, 'ti', 5464381, 0.0072984058991434), (155, 2, 'al', 5054702, 0.00675122523396739) ...

Download