[Corpusreader-svn] SF.net SVN: corpusreader:[213] trunk/corpusreader/src/main/R/specificites.R

[<syl...@us...>]

Revision: 213
          http://corpusreader.svn.sourceforge.net/corpusreader/?rev=213&view=rev
Author:   sylvainloiseau
Date:     2009-02-16 14:27:57 +0000 (Mon, 16 Feb 2009)

Log Message:
-----------
Last change before deletion

Modified Paths:
--------------
    trunk/corpusreader/src/main/R/specificites.R

Modified: trunk/corpusreader/src/main/R/specificites.R
===================================================================
--- trunk/corpusreader/src/main/R/specificites.R	2009-01-01 19:27:52 UTC (rev 212)
+++ trunk/corpusreader/src/main/R/specificites.R	2009-02-16 14:27:57 UTC (rev 213)
@@ -1,16 +1,16 @@
 specificites <- function(corpus, souscorpus) {
     ## Sylvain Loiseau
     ## 2006-2008
-    ## Derni\xE8re \xE9dition samedi 13 d\xE9cembre 2008, 19:38:22 (UTC+0100)
+    ## Dernière édition samedi 13 décembre 2008, 19:38:22 (UTC+0100)
     ##
-    ## Indice de sp\xE9cificit\xE9 des formes d'un sous corpus par rapport \xE0 un corpus.
-    ## Mesur\xE9e par la formule hyperg\xE9om\xE9trique,
+    ## Indice de spécificité des formes d'un sous corpus par rapport à un corpus.
+    ## Mesurée par la formule hypergéométrique,
     ## retourne un tableau :
     ##   une ligne par forme du sous corpus
-    ##   en colonne : indice de sp\xE9cificit\xE9, sous fr\xE9quence, fr\xE9quence.
+    ##   en colonne : indice de spécificité, sous fréquence, fréquence.
     ##   
 
-	## Les fr\xE9quences dans le corpus
+	## Les fréquences dans le corpus
         if (class(corpus) == "data.frame") {
             frequencesCorpus <- colSums(corpus);
             print("Le corpus est un data frame");
@@ -21,11 +21,11 @@
 	print(paste("Nombre de variables dans le corpus : ", length(frequencesCorpus)));
 
 	## Un peu de nettoyage dans le sous corpus : on supprime
-        ## d'\xE9ventuelles forme ou partie sans aucune valeur
+        ## d'éventuelles forme ou partie sans aucune valeur
         souscorpus <- souscorpus[,colSums(souscorpus) > 0];
         souscorpus <- souscorpus[rowSums(souscorpus) > 0,];
 
-	## Les fr\xE9quences dans le sous-corpus
+	## Les fréquences dans le sous-corpus
 	sousFrequences <- colSums(souscorpus); 
 
         specificitesFrequencyLists(frequencesCorpus, sousFrequences);
@@ -33,13 +33,13 @@
 
 specificitesFrequencyLists <- function(frequencesCorpus, sousFrequences) {
         if (any(is.na(frequencesCorpus))) {
-          stop("Valeurs non num\xE9riques dans la liste des frequences du corpus.");
+          stop("Valeurs non numériques dans la liste des frequences du corpus.");
         }
         if (any(is.na(sousFrequences))) {
-          stop("Valeurs non num\xE9riques dans la liste des fr\xE9quences du sous corpus.");
+          stop("Valeurs non numériques dans la liste des fréquences du sous corpus.");
         }
 
-	## Nombre de formes \xE0 traiter
+	## Nombre de formes à traiter
         nbrFormes <- length(sousFrequences);
 	print(paste("Nombre de formes dans le sous corpus :", nbrFormes));
 
@@ -47,8 +47,14 @@
 	## que les variables qui sont dans le sous corpus
 	frequencesTotales <- frequencesCorpus[names(sousFrequences)] 
 	if (length(frequencesTotales) < nbrFormes) {
-	    warning("Attention : toutes les variables du sous corpus n'ont pas \xE9t\xE9 trouv\xE9es dans le corpus.")
+	    warning("Attention : toutes les variables du sous corpus n'ont pas été trouvées dans le corpus.")
 	}
+        if (any(is.na(frequencesTotales))) {
+          na_index <- is.na(frequencesTotales);
+          print("NA :");
+          print(names(sousFrequences)[na_index]);
+          stop("NA in FrequencesTotales");
+        }
 
         #frequencesTotales <- frequencesTotales[ !is.na(frequencesTotales) ];
         #if (any(is.na(frequencesTotales))) {
@@ -61,45 +67,46 @@
 	print(paste("Longueur du corpus :", longueurCorpus));
 	print(paste("Longueur du sous corpus :", longueurSousCorpus));
 
-        ## Pour chaque fr\xE9quence totale, on calcule la diff\xE9rence entre la taille du corpus et cette fr\xE9quence
-        ## (n\xE9cessaire pour les fonctions phyper et dhyper)
+        ## Pour chaque fréquence totale, on calcule la différence entre la taille du corpus et cette fréquence
+        ## (nécessaire pour les fonctions phyper et dhyper)
         longueurCorpusMoinsFrequencesTotales <- (longueurCorpus - frequencesTotales);
-        # print(paste("Taille de corpus moins fr\xE9quence", length(longueurCorpusMoinsFrequencesTotales)));
+        if (any(is.na(longueurCorpusMoinsFrequencesTotales))) {
+          stop("Valeurs non numériques dans la liste des fréquences complémentaires de chaque forme.");
+        }
+        # print(paste("Taille de corpus moins fréquence", length(longueurCorpusMoinsFrequencesTotales)));
         # if (any(is.na(longueurCorpusMoinsFrequencesTotales))) {
         #   stop("NA in longueurCorpusMoinsFrequencesTotales");
         # }
 
-        ## on met dans un tableau "cumulative", pour chaque forme, la propabilit\xE9 cumul\xE9e 
-        ## (phyper) correspondant \xE0 sa sous fr\xE9quence dans le sous corpus compte tenu de sa 
-        ## fr\xE9quence absolue dans le corpus principal et des tailles des deux corpus.
+        ## on met dans un tableau "cumulative", pour chaque forme, la propabilité cumulée 
+        ## (phyper) correspondant à sa sous-fréquence dans le sous corpus compte tenu de sa 
+        ## fréquence absolue dans le corpus principal et des tailles des deux corpus.
         ##
 	cumulative <- double(nbrFormes);
 	cumulative <- phyper(sousFrequences, frequencesTotales, longueurCorpusMoinsFrequencesTotales, longueurSousCorpus);
+        if (any(is.na(cumulative))) {
+          stop("NA in cumulative");
+        }
 	# cumulative[is.na(cumulative)] <- 0;
-        # if (any(is.na(cumulative))) {
-        #   stop("NA in cumulative");
-        # }
 
-        ## Si la fr\xE9quence cumul\xE9e est inf\xE9rieure \xE0 0.5, c'est qu'il y a *moins* d'occurrences 
-        ## que ne le laisserait pr\xE9voir le hasard, si la fr\xE9quence cumul\xE9e est sup\xE9rieure \xE0 0.5
-        ## c'est qu'il y a plus d'occurrences qu'il n'y aurait d\xFB en avoir. On inverse donc les signes
-        ## pour prendre en compte cette diff\xE9rence.
+        ## Si la fréquence cumulée est inférieure à 0.5, c'est qu'il y a *moins* d'occurrences 
+        ## que ne le laisserait prévoir le hasard, si la fréquence cumulée est supérieure à 0.5
+        ## c'est qu'il y a plus d'occurrences qu'il n'y aurait dû en avoir. On inverse donc les signes
+        ## pour prendre en compte cette différence.
 	specificiteIndex <-  double(nbrFormes);
 
-        if (any(is.na(specificiteIndex))) {
-          stop("NA in specificiteIndex");
-        }
-        if (any(is.na(sousFrequences))) {
-          stop("NA in sousFrequences");
-        }
+        # if (any(is.na(specificiteIndex))) {
+        #   stop("NA in specificiteIndex");
+        # }
+
 	# specificiteIndex[cumulative < 0.5] <- specificiteIndex[cumulative < 0.5];
-	specificiteIndex[cumulative >= 0.5] <- (1 - specificiteIndex[cumulative >= 0.5]);
+	specificiteIndex[cumulative >= 0.5] <- (1 - cumulative[cumulative >= 0.5]);
 
         m <- matrix(
-            c(specificiteIndex, sousFrequences, frequencesTotales), 
+            c(cumulative, sousFrequences, frequencesTotales), 
             nrow = nbrFormes, 
             ncol=3, 
-            dimnames = list(names(sousFrequences), c("Indice de sp\xE9cificit\xE9", "Sous fr\xE9quence", "Fr\xE9quence totale"))
+            dimnames = list(names(sousFrequences), c("Indice de spécificité", "Sous fréquence", "Fréquence totale"))
             );
 	
         sorted <- m[order(m[,1], decreasing=TRUE),];


This was sent by the SourceForge.net collaborative development platform, the world's largest Open Source development site.