Deutsche Bigramme

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),

..


Was sind Bigramme ?
Bigramme sind eine Kombination aus zwei Buchstaben, die häufig vorkommen und ein wichtiges Analysewerkzeug für NLP-Anwendungen darstellen. Sie können verwendet werden für Sprachstatistik, Spracherkennung, Klassifikation und Clustering.