Herramienta de Análisis y Visualización de Frecuencia de Caracteres

¿Qué es el análisis de frecuencia de caracteres?

El análisis de frecuencia de caracteres es el proceso de contar cuántas veces aparece cada carácter en un texto. Incluye letras, dígitos, espacios, signos de puntuación y cualquier otro símbolo del texto. El resultado es una tabla o gráfico sencillo: un carácter, un recuento.

Esta herramienta toma cualquier texto pegado o escrito en ella y cuenta automáticamente todos los caracteres. Dibuja un gráfico de barras con los recuentos, de modo que los caracteres más comunes se distinguen de un vistazo. Al señalar o tocar una barra se muestra el recuento exacto de ese carácter.

La técnica es antigua. El erudito árabe Al-Kindi la describió en el siglo 9.º para descifrar cifrados simples. Actualmente también se utiliza en compresión de datos, comprobaciones ortográficas y de codificación, e identificación básica de idiomas.

Cómo calcular la frecuencia de caracteres

Calcular la frecuencia de caracteres manualmente consta de tres pasos:

1. Recorrer el texto carácter por carácter, incluidos los espacios y los signos de puntuación.
2. Mantener un recuento acumulado para cada carácter distinto. Un carácter nuevo comienza en 1; un carácter repetido suma 1 a su recuento existente.
3. Enumerar cada carácter con su recuento final.

Esta herramienta hace lo mismo automáticamente mediante una estructura de datos llamada tabla hash (una tabla de consulta que almacena un valor asociado a una clave). Para cada carácter del texto, comprueba si ese carácter ya tiene una entrada en el mapa. Si la tiene, la herramienta suma 1 al recuento almacenado. Si no, crea una nueva entrada con un recuento de 1. Este método procesa cada carácter exactamente una vez, por lo que el tiempo necesario crece en proporción directa a la longitud del texto, no más rápidamente.

Después de contar, la herramienta enumera los resultados alfabéticamente por carácter. Actualmente no ofrece una opción para ordenarlos por recuento.

La frecuencia de caracteres como porcentaje

Los recuentos por sí solos pueden ser difíciles de comparar entre textos de distintas longitudes. Por esa razón, la frecuencia suele expresarse como un porcentaje del número total de caracteres:

$f(c) = \frac{n_c}{N} \times 100\%$

Aquí, $n_c$ indica cuántas veces aparece el carácter $c$, y $N$ es el número total de caracteres del texto. Esta herramienta informa de los recuentos brutos y del número total de caracteres, no de una columna de porcentajes, pero el porcentaje de cualquier carácter se puede calcular dividiendo su recuento por el total y multiplicando por 100.

Ejemplo resuelto

Tomemos la palabra «mississippi», que tiene 11 caracteres y no contiene espacios ni signos de puntuación.

Al contar cada letra se obtiene:

La tabla está ordenada alfabéticamente (i, m, p, s), de acuerdo con el orden que utiliza esta herramienta para sus resultados. Los recuentos suman 11, la longitud total de la palabra. Para obtener la columna de porcentajes, cada recuento se dividió por 11 y se multiplicó por 100; por ejemplo, 4 ÷ 11 × 100 ≈ 36,4 %.

Cómo usar esta herramienta

Escriba o pegue el texto en el cuadro de entrada. La herramienta lo analiza de inmediato, sin necesidad de pulsar ningún botón. A medida que cambia el texto, la lista de caracteres y el gráfico de barras se actualizan.

La sección de resultados muestra:

• Un gráfico de barras con una barra por carácter. Las barras más altas indican que el carácter aparece con mayor frecuencia.
• El número total de caracteres del texto, incluidos los espacios y los signos de puntuación.
• El recuento exacto de cada carácter, que se muestra al señalar o tocar su barra.

Un botón «Copiar» da formato a los resultados como texto sin formato, con un carácter y su recuento por línea, listo para pegarlo en una hoja de cálculo o un documento. En esta salida, los espacios se etiquetan como «espacio» para que no se confundan con líneas en blanco.

En los textos normales en inglés, letras como E, T, A, O e I suelen estar entre las más comunes. Un texto en el que letras poco frecuentes como Q o Z aparecen con una frecuencia inusualmente alta puede estar codificado, cifrado o escrito en otro idioma.

Usos del análisis de frecuencia de caracteres

Descifrado de cifrados por sustitución

Un cifrado por sustitución reemplaza cada letra de un mensaje por otra letra o símbolo, utilizando siempre la misma sustitución. Como la sustitución es coherente, el patrón de frecuencia del idioma original se conserva en el texto cifrado. En inglés, la letra E aparece aproximadamente el 12–13% de las veces. Si un símbolo del texto cifrado aparece aproximadamente con esa frecuencia, es un candidato probable para representar la E. Este fue el método principal para descifrar cifrados por sustitución durante siglos, antes de que el cifrado moderno lo dejara obsoleto para todo salvo rompecabezas y documentos históricos.

Compresión de datos

Los formatos de compresión como ZIP y GZIP utilizan la frecuencia de caracteres mediante un método llamado codificación de Huffman. Los caracteres que aparecen con frecuencia reciben códigos binarios cortos, y los caracteres poco frecuentes reciben códigos más largos. Como los caracteres comunes ocupan menos espacio en cada aparición, el archivo completo se reduce sin perder información.

Detección de problemas de codificación

Un texto que muestra caracteres extraños e inesperados (como «Ã©» donde debería aparecer «é») suele indicar una discrepancia entre la codificación de caracteres con la que se guardó un archivo y la que se utilizó para leerlo. Un gráfico de frecuencia que muestre un pico inusual de símbolos extraños, en lugar de letras comunes, puede ayudar a confirmar un problema de codificación.

Identificación de idiomas

Los distintos idiomas tienen distribuciones de caracteres típicas diferentes. El inglés favorece E, T y A. El alemán utiliza muchas más apariciones de E y N, además de letras como ä, ö y ü, que no aparecen en inglés. Comparar las frecuencias de caracteres de un texto con perfiles de idiomas conocidos ofrece un método rápido y aproximado para determinar su idioma.

Estilo de escritura y autoría

Como los escritores suelen tener hábitos constantes en el uso de la puntuación y las letras, los patrones a nivel de carácter pueden servir como una pequeña evidencia para identificar la autoría. Por sí sola, la frecuencia de caracteres rara vez demuestra quién escribió algo; funciona mejor combinada con la elección de palabras, la longitud de las oraciones y otros marcadores estilísticos.

Otros métodos de análisis de texto

La frecuencia de caracteres no es la única forma de analizar un texto.

• La frecuencia de palabras cuenta palabras completas en lugar de caracteres. Está más relacionada con el significado de un texto y es habitual en la investigación de palabras clave y el análisis de temas.
• El análisis de n-gramas examina secuencias breves de caracteres o palabras, como pares o tríos. Los teclados predictivos y el autocompletado lo utilizan para adivinar la siguiente letra o palabra.
• El análisis de sentimientos determina si un texto suena positivo, negativo o neutral mediante métodos que van mucho más allá del simple recuento.
• El análisis de legibilidad, como la puntuación de Flesch-Kincaid, estima la dificultad de lectura de un texto basándose en la longitud de las oraciones y las palabras.

Preguntas frecuentes

¿Qué indica el análisis de frecuencia de caracteres?

Muestra con qué frecuencia aparece cada carácter en un texto. La lectura del resultado puede revelar patrones útiles para la criptografía, la compresión, la detección de errores de codificación o la identificación del idioma de un texto.

¿Cómo ordena los resultados esta herramienta?

Ordena los caracteres alfabéticamente. No existe una opción para ordenarlos por recuento. Los caracteres más y menos comunes deben encontrarse leyendo el gráfico de barras o examinando los recuentos en el texto copiado.

¿La herramienta muestra porcentajes?

No. Informa del recuento bruto de cada carácter y del número total de caracteres. El porcentaje se puede calcular dividiendo el recuento de un carácter por el total y multiplicando por 100.

¿Puede el análisis de frecuencia de caracteres romper el cifrado moderno?

No. Solo funciona contra cifrados por sustitución simples, en los que cada carácter siempre se sustituye por el mismo carácter. El cifrado moderno, como AES, produce una salida sin ese patrón coherente, por lo que los recuentos de frecuencia no revelan nada sobre el mensaje original.

¿La herramienta cuenta los espacios y los signos de puntuación?

Sí. Cuenta todos los caracteres de la entrada, incluidos los espacios, las tabulaciones, los saltos de línea y los signos de puntuación. En los textos normales, los espacios suelen ser el carácter individual más común.

¿Cuánto texto se necesita para obtener patrones fiables?

Unos cientos de caracteres constituyen un mínimo razonable. Un texto muy corto puede mostrar frecuencias que difieran mucho del patrón esperado solo por azar. Las muestras más largas, de mil caracteres o más, suelen ajustarse mejor a los patrones conocidos del idioma.

Referencias

1. MDN Web Docs: Map — documentación sobre la estructura de datos mapa hash utilizada para contar caracteres de forma eficiente.
2. Shannon, C. E. (1951). «Prediction and entropy of printed English». The Bell System Technical Journal, 30(1), 50-64.
3. Huffman, D. A. (1952). «A Method for the Construction of Minimum-Redundancy Codes». Proceedings of the IRE, 40(9), 1098-1101.
4. Codificación de Huffman — Wikipedia