Analiza stil autori

Analiza stil autori.py

"""
Analiza stilistica (stilometrie): captureaza "amprenta de scris" a fiecarui autor
si ii diferentiaza. NU foloseste embeddings semantice (acelea prind subiectul);
foloseste trasaturi de STIL, care raman constante indiferent despre ce scrie autorul.

Trei familii de trasaturi, combinate:
  1. N-grame de caractere  -> ortografie, morfologie, forme de epoca
  2. Cuvinte-unelte         -> semnatura stilistica clasica (cum leaga frazele)
  3. Trasaturi structurale  -> lungimea frazelor, punctuatie, diversitate lexicala

Instalare:
    pip install scikit-learn numpy
"""

import re
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.preprocessing import StandardScaler

# ----------------------------------------------------------------------
# DATE: pentru fiecare autor, fragmentele lui de text (din cartile scanate).
# Aici doua stiluri contrastante pe teme suprapuse, ca demonstratie.
# ----------------------------------------------------------------------
autori = {
    "Autor_1880": [
        "Bolnavul, cuprins fiind de o mare fierbințeală și de o slăbiciune a mădularelor, se cade a fi așezat la odihnă într-o încăpere răcoroasă și ferită de lumină.",
        "Se cuvine, după cum învățătura cea veche ne arată, a-i da bolnavului fierturi ușoare de ierburi, spre a-i alina suferința și a-i întări inima.",
        "Rana, de va fi cuprinsă de putrejune și de materie urât mirositoare, se va spăla cu luare-aminte și se va oblojii cu prișnițe calde.",
        "Iar de va stărui boala și noaptea nu va putea bolnavul a se odihni, i se va da fiertură de tei cu miere, spre a-i aduce somnul cel dulce.",
    ],
    "Autor_1920": [
        "Pacientul cu febră mare și astenie se așează în repaus, în cameră răcoroasă, fără lumină puternică.",
        "Se administrează ceaiuri ușoare de plante. Scop: calmarea și susținerea cordului.",
        "Rană infectată, cu puroi: se spală atent. Se aplică comprese calde.",
        "În caz de insomnie persistentă, se recomandă infuzie de tei cu miere, seara.",
    ],
}

# ----------------------------------------------------------------------
# 1. TRASATURI STRUCTURALE (calculate manual, per fragment)
# ----------------------------------------------------------------------
def trasaturi_structurale(text):
    fraze = [f for f in re.split(r"[.!?]", text) if f.strip()]
    cuvinte = re.findall(r"\w+", text.lower())
    n_cuv = max(len(cuvinte), 1)
    lung_fraze = [len(re.findall(r"\w+", f)) for f in fraze] or [0]
    return [
        np.mean(lung_fraze),                          # lungimea medie a frazei
        np.std(lung_fraze),                           # cat de variabile sunt frazele
        len(set(cuvinte)) / n_cuv,                    # diversitate lexicala (type-token ratio)
        text.count(",") / n_cuv,                      # densitatea virgulelor
        (text.count(";") + text.count(":")) / n_cuv,  # punctuatie complexa
        np.mean([len(c) for c in cuvinte]),           # lungimea medie a cuvantului
    ]

# ----------------------------------------------------------------------
# PREGATIRE
# ----------------------------------------------------------------------
texte, etichete = [], []
for autor, fragmente in autori.items():
    for f in fragmente:
        texte.append(f)
        etichete.append(autor)
autori_unici = sorted(set(etichete))

# ----------------------------------------------------------------------
# 2. N-GRAME DE CARACTERE (ortografie + morfologie + forme arhaice)
# ----------------------------------------------------------------------
vec_char = TfidfVectorizer(analyzer="char_wb", ngram_range=(2, 4), min_df=1)
X_char = vec_char.fit_transform(texte).toarray()

# ----------------------------------------------------------------------
# 3. CUVINTE-UNELTE (semnatura stilistica: cum leaga autorul ideile)
#    Cuvinte fara continut tematic - de aceea prind stilul, nu subiectul.
# ----------------------------------------------------------------------
cuvinte_unelte = [
    "si", "și", "a", "de", "la", "cu", "in", "în", "se", "va", "va",
    "care", "ce", "spre", "iar", "dar", "insa", "însă", "fiind", "cade",
    "cuvine", "dupa", "după", "cel", "cea", "va", "i", "il", "îl", "ne",
]
vec_func = TfidfVectorizer(vocabulary=list(set(cuvinte_unelte)), analyzer="word")
X_func = vec_func.fit_transform(texte).toarray()

# ----------------------------------------------------------------------
# 4. STRUCTURA
# ----------------------------------------------------------------------
X_struct = StandardScaler().fit_transform(
    np.array([trasaturi_structurale(t) for t in texte])
)

# ----------------------------------------------------------------------
# COMBINARE (cu ponderi - n-gramele si structura conteaza cel mai mult)
# ----------------------------------------------------------------------
def normalizeaza(M):
    n = np.linalg.norm(M, axis=1, keepdims=True)
    n[n == 0] = 1
    return M / n

X = np.hstack([
    normalizeaza(X_char) * 1.0,
    normalizeaza(X_func) * 0.8,
    normalizeaza(X_struct) * 1.0,
])

# ----------------------------------------------------------------------
# 5. AMPRENTA fiecarui autor = media fragmentelor lui
# ----------------------------------------------------------------------
amprente = {}
for a in autori_unici:
    idx = [i for i, e in enumerate(etichete) if e == a]
    amprente[a] = X[idx].mean(axis=0)

# ----------------------------------------------------------------------
# 6. CAT DE DISTINCTI sunt autorii intre ei
# ----------------------------------------------------------------------
print("=== SEPARAREA STILISTICA INTRE AUTORI ===")
A = np.vstack([amprente[a] for a in autori_unici])
S = cosine_similarity(A)
for i, a in enumerate(autori_unici):
    for j, b in enumerate(autori_unici):
        if i < j:
            dist = 1 - S[i, j]
            verdict = "stiluri distincte" if dist > 0.3 else "stiluri apropiate"
            print(f"  {a} vs {b}:  distanta {dist:.3f}  ({verdict})")
print()

# ----------------------------------------------------------------------
# 7. PROFIL STILISTIC: ce deosebeste fiecare autor (masuri interpretabile)
# ----------------------------------------------------------------------
print("=== PROFILUL FIECARUI AUTOR ===")
for a in autori_unici:
    idx = [i for i, e in enumerate(etichete) if e == a]
    feats = np.array([trasaturi_structurale(texte[i]) for i in idx])
    m = feats.mean(axis=0)
    print(f"  {a}:")
    print(f"     fraza medie:        {m[0]:.1f} cuvinte")
    print(f"     variatie fraze:     {m[1]:.1f}")
    print(f"     diversitate lexicala: {m[2]:.2f}")
    print(f"     virgule/cuvant:     {m[3]:.3f}")
print()

# ----------------------------------------------------------------------
# 8. ATRIBUIRE: un fragment necunoscut - al cui stil e?
# ----------------------------------------------------------------------
def atribuie(text):
    xc = normalizeaza(vec_char.transform([text]).toarray())
    xf = normalizeaza(vec_func.transform([text]).toarray()) * 0.8
    xs = normalizeaza(StandardScaler().fit(
        np.array([trasaturi_structurale(t) for t in texte])
    ).transform([trasaturi_structurale(text)]))
    x = np.hstack([xc, xf, xs])[0]
    print(f"Fragment necunoscut: „{text[:55]}...”")
    scoruri = [(a, cosine_similarity([x], [amprente[a]])[0, 0]) for a in autori_unici]
    for a, s in sorted(scoruri, key=lambda t: -t[1]):
        print(f"   {a}: {s:.3f}")
    castigator = max(scoruri, key=lambda t: t[1])[0]
    print(f"   -> atribuit lui {castigator}\n")

print("=== ATRIBUIREA UNUI TEXT NECUNOSCUT ===")
atribuie("Iar bolnavul, fiind cuprins de friguri și de mare slăbiciune, se cade a se odihni în tihnă.")
atribuie("Febră, frisoane, oboseală. Repaus la pat. Lichide.")