Generador de Nube de Palabras

Acerca de Generador de Nube de Palabras

Una nube de palabras dibuja cada palabra con un tamaño que crece según las veces que aparece. Esta herramienta divide tu texto (pegado o extraído de un archivo txt, pdf, docx u otros) en palabras, las cuenta, coloca la más frecuente en el centro y va buscando hueco para las demás siguiendo una espiral hacia fuera.

Parece un resumen, pero lo único que codifica es cuántas veces aparece cada forma exacta de una palabra. A continuación: cómo se cuenta y se coloca, y por qué el resultado puede engañar, sobre todo en un idioma con tanta flexión como el español.

Cómo se cuentan las palabras

Las palabras se separan con Intl.Segmenter del navegador: en español, inglés o coreano, los espacios y signos de puntuación hacen de frontera, y en japonés o chino, que no usan espacios, se usa el diccionario que trae el navegador. Las tildes y la ñ se tratan como letras normales, así que «más» y «año» se cuentan bien. Por defecto no se distinguen mayúsculas y minúsculas.

Lo que no hay es lematización. En español eso pesa mucho: «cliente» y «clientes», «bueno», «buena», «buenos» y «buenas», o «compré», «comprar» y «compramos» son palabras distintas para la herramienta. Un concepto repartido entre varias formas aparecerá más pequeño de lo que es. La solución más sencilla es unificar las variantes con buscar y reemplazar antes de pegar el texto.

En coreano las partículas van pegadas al sustantivo (데이터를, 데이터가 y 데이터는 serían tres palabras). La opción de quitar partículas coreanas, activada por defecto, quita las más comunes y las junta en 데이터; es un conjunto de reglas, no un analizador morfológico. En japonés, «吾輩は猫である。» se separa en 吾輩, は, 猫, で, ある, y las partículas se eliminan como palabras vacías.

Palabras vacías

Al activar la eliminación de palabras vacías, la herramienta quita un centenar de palabras funcionales del inglés (the, of, and, is…), artículos, preposiciones, conjunciones y pronombres del español («el», «la», «de», «que», «en», «y», «por», «para»…), y partículas del coreano y del japonés. Algunas palabras españolas que coinciden con palabras inglesas con contenido, como «son», «era» o «sin», no están en la lista, para no borrarlas de textos en inglés.

Aunque la lista fuera perfecta, habría que quitar los términos que aparecen en todas partes por definición: el nombre del producto en una encuesta sobre ese producto, o las palabras de la pregunta que los encuestados repiten. Escríbelos en la casilla de palabras que excluir, separados por comas o espacios; se aplica aunque desactives la lista de palabras vacías.

El tamaño no es importancia

El tamaño de fuente se asigna de forma lineal entre el recuento mínimo y el máximo. Pero lo que percibimos es el área, no la altura de las letras, y el área crece con el cuadrado del tamaño y con la longitud de la palabra. Una palabra dibujada al doble de tamaño ocupa cuatro veces más superficie, y con la misma frecuencia «comunicación» domina sobre «equipo» solo por tener más letras.

La frecuencia además borra el contexto: «sin quejas» y «muchas quejas» agrandan igual «quejas». Jacob Harris, entonces arquitecto de software en The New York Times, lo argumentó en 2011 en «Word clouds considered harmful» (Nieman Lab): las nubes de palabras solo permiten el análisis de texto más burdo y dejan al lector la tarea de reconstruir el contexto. Para sacar conclusiones es mejor una tabla de frecuencias o unas cuantas citas textuales; la nube sirve como imagen de apertura.

El algoritmo de colocación

La colocación sigue el enfoque de d3-cloud, de Jason Davies. Las palabras se procesan de más a menos frecuente. Cada una empieza en el centro y, si choca con algo ya colocado, avanza paso a paso por una espiral hasta encontrar sitio libre. La forma rectangular usa una espiral rectangular adaptada a la proporción del marco; la circular, una espiral de Arquímedes. Una de cada cinco palabras se prueba primero en vertical.

Las colisiones se comprueban con el rectángulo que envuelve cada palabra, no con el contorno real de las letras, así que las palabras pequeñas no se meten en los huecos de las grandes y el resultado queda algo más suelto que en herramientas que comprueban a nivel de píxel. Una palabra que no encuentra sitio se omite sin aviso: por eso subir el número máximo de palabras a veces no añade nada. «Ajustar al marco» repite la colocación con varias escalas y se queda con la que llena alrededor del 70% del marco sin perder ninguna de las palabras principales.

Ejemplos

Cómo se usa

1. Pega el texto o sube un archivo (txt, md, csv, json, srt, pdf, docx, odt…).
2. Ajusta el máximo de palabras, la forma, la rotación, la eliminación de palabras vacías y las palabras que quieras excluir.
3. Genera y guarda la imagen. La posición de las palabras puede variar entre ejecuciones.

Preguntas frecuentes