Mõnikord läheb ikka vaja sõnade sagedusloendit. Mul hiljuti just niimoodi juhtus, mistõttu lugesin Eesti keele ühendkorpus 2017 põhjal kokku lemmade sagedused. Panen tulemuse ka siia üles, äkki kellelgi läheb veel vaja, siis ei pea sama uuesti tegema.
Lugesin lemma ja sõnaliigi kombinatsioone nii, nagu nad seal korpuses märgendatud on. See märgendus ei ole ideaalne, mis ilmselt mõjutab eriti vormihomonüümiaga sõnade asukohta sagedusloendis, aga suur pilt peaks küll enamvähem usutav olema. Üksiksõnade keelsust ma ei kontrollinud kuidagi, üksnes filtreerisin dokumenditasemel lang=”Estonian”.
Tulemus on 115.5 MB csv-fail kahe veeruga, lemma-sõnaliik ja absoluutsagedus 600 miljoni tekstisõna hulgas. Sõnaliikide koodid leiate nt EstNLTK dokumentatsioonist.
Erinevaid sõnatüüpe on 6637121, millest ligi kaks kolmandikku ehk 4160924 esineb kogu korpuses ainult ühe korra. Nende hulgas on täiesti legitiimseid sõnu nagu “konjunktuuriküsitlus” või “ekspordipartnerriik”, aga peamiselt koosneb sagedusloendi tagumine ots pärisnimedest, veebiaadressidest, võõrkeelsetest sõnadest, näpukatest, märgendusvigadest jne, Seetõttu tundus mõistlik tekitada ka oluliselt väiksem fail (17,7 MB) sõnadest, mis esinevad korpuses vähemalt viis korda. Selliseid on umbes miljon.
Loendi algus näeb välja selline (lisasin siin reanumbrid lihtsama jälgimise huvides):
1 olema-v 27833907
2 ja-j 18448429
3 see-p 12753094
4 mina-p 8021600
5 et-j 7976525
6 ei-v 7011141
7 tema-p 5944028
8 kui-d 5708611
9 mis-p 5552597
10 ka-d 5175649
11 saama-v 4490006
12 ning-j 3481612
13 aga-j 3034451
14 oma-p 2759364
15 aasta-s 2758520
16 või-j 2593644
17 sina-p 2448283
18 pidama-v 2400376
19 tegema-v 2385359
20 kes-p 2287497
21 nii-d 2227424
22 Eesti-h 2069520
23 ise-p 2037612
24 võima-v 2021749
25 tulema-v 2014093
26 kõik-p 1914466
27 siis-d 1824888
28 teine-o 1656755
29 üks-p 1581771
30 inimene-s 1532808
31 siis-j 1502329
32 aeg-s 1498793
33 väga-d 1409343
34 kas-d 1361319
35 minema-v 1320872
36 andma-v 1276486
37 veel-d 1227452
38 võtma-v 1214083
39 juba-d 1194785
40 välja-d 1166872
41 kuid-j 1149756
42 selline-p 1137018
43 uus-a 1115348
44 jääma-v 1095713
45 nagu-d 1075027
46 ütlema-v 1067971
47 teadma-v 1064900
48 suur-a 1035756
49 hakkama-v 1028617
50 hea-a 1026505
51 kus-d 991814Miljoni sõna või vähemalt viie esinemiskorra piir on täiesti suvaline. Nagu öeldud, leidub legitiimseid sõnu sellest veel palju allpool ja sodi veel palju ülevalpool. Lühema faili lõpp on selline:
1068514 Ta-Ladu-h 5
1068515 tähtsustkas-d 5
1068516 MAX1999-y 5
1068517 tööturusubsiidium-s 5
1068518 aadlitalupoeg-s 5
1068519 Violiino-h 5
1068520 11-01-06-n 5
1068521 GBB-60NSYXE-y 5
1068522 miinimumsoovitus-s 5
1068523 Borõsenko-h 5
1068524 Valeväide-h 5
1068525 aastalõpuprassing-s 5
1068526 Rootsisõja-aegne-a 5
1068527 Metrô-h 5
1068528 Karakin-h 5
1068529 linnaasjandus-s 5
1068530 Tomcy-h 5
1068531 Momin-h 5
1068532 automaataparaat-s 5
1068533 Snoozebaby-h 5
1068534 haritlaslugeja-s 5
1068535 TRIMside-s 5
1068536 Traneksama-h 5
1068537 konspirituaalsus-s 5
1068538 2007-03-25-n 5
1068539 Manjaana-kompetents-s 5
1068540 tagasivõtmisprogramm-s 5
1068541 IGAD-y 5
1068542 jumbo-muffinipann-s 5
1068543 Yüksel-h 5
1068544 Erul-u-y 5
1068545 ENCU-y 5
1068546 ravipass-s 5
1068547 Ficer-h 5
1068548 G.M.Schmidt-h 5
1068549 rüütliriik-s 5
1068550 bivalent-s 5
1068551 loovutuskampaania-s 5
1068552 kosmonaudipension-s 5
1068553 Åsenlöv-h 5
1068554 Ðelda-h 5
1068555 Neijens-h 5
1068556 Petrolandia-h 5
1068557 Maruusjas-h 5
1068558 seguhenna-s 5
1068559 Losurdo-h 5
1068560 salahämar-a 5
1068561 sigimiskord-s 5
1068562 lähtekohamaa-s 5Sõna definitsiooni üle annab muidugi vaielda. Mina tahtsin tõesti kõiki sõnataolisi nähtusi, aga mõnes teises rakenduses oleks ehk mõistlik vähemalt pärisnimed ja arvud välja filtreerida.