Generador de nubes de palabras

Qué es un generador de nubes de palabras

Cuenta las palabras de un texto y las dibuja con tamaños que reflejan su frecuencia. Las comunes salen grandes, las raras pequeñas, y el conjunto da una idea aproximada de qué trata un documento con solo mirarlo. Aparecen en resúmenes de informes, en encuestas, en pósteres de congresos y en las aulas.

Este funciona por completo en tu navegador. Tu texto no se sube nunca, la nube se dibuja en un lienzo de tu propia máquina y el PNG que descargas se genera ahí también.

Además hace una cosa distinta, y esa diferencia es la razón de ser de la página: dimensiona las palabras de modo que la tinta que ocupa cada una sea proporcional a su frecuencia. Casi ningún otro generador lo hace, y el resultado exagera mucho las palabras comunes.

Cómo usar el generador

1. Pega tu texto. De la longitud que sea. La nube se redibuja mientras escribes y el panel de abajo se actualiza con ella.
2. Elige el dimensionado y el idioma. «Área» es el ajuste honesto y viene por defecto; «cuerpo de letra» es lo que hacen casi todas las herramientas, y se mantiene para que veas la diferencia con tu propio texto. La lista de palabras vacías debe coincidir con el idioma de tu texto, no con el de esta página.
3. Ajusta cuántas palabras y descarga. El control va de diez a ciento cincuenta palabras. «Descargar» te da un PNG generado en tu navegador y sin marca de agua.

Casi todas las nubes exageran las palabras comunes

Una nube de palabras codifica un número —cuántas veces aparece una palabra— en una propiedad visual. La cuestión es en cuál. Casi todos los generadores fijan el cuerpo de letra en proporción a la frecuencia. Pero quien mira no juzga una palabra por su altura, sino por cuánto de la imagen ocupa. Y el área crece con el cuadrado del cuerpo de letra.

Así que una palabra el doble de común se dibuja el doble de alta y acaba cubriendo cuatro veces el área. Parece cuatro veces más importante cuando es el doble de frecuente.

En prosa real esto se agrava, porque las frecuencias siguen la ley de Zipf: la palabra más común aparece unas dos veces más que la segunda, tres veces más que la tercera, y así. Toma una distribución de Zipf de treinta palabras. La más frecuente es diez veces más común que la décima y, con dimensionado por cuerpo de letra, cubre cien veces el área. Frente a la trigésima es treinta veces más frecuente y 918 veces el área. La palabra más común acaba ocupando el 62,0% de toda la tinta en una imagen donde representa el 25,0% de las palabras.

La solución es exacta y no cuesta nada: fija el cuerpo de letra en la raíz cuadrada de la frecuencia. El área es el tamaño al cuadrado, así que la raíz lo cancela y el área vuelve a ser proporcional a la frecuencia. Con ese ajuste, la palabra más común ocupa exactamente el 25,0% de la tinta, lo mismo que su proporción de palabras, hasta el decimal. No es una aproximación que funcione en este ejemplo: es una identidad, comprobada aquí sobre quinientas distribuciones generadas al azar y cumplida cada vez con un margen menor que una parte por billón.

El panel bajo la nube muestra ambos números para tu propio texto. Cuando coinciden, la imagen dice la verdad.

Limitaciones honestas

Incluso en su mejor versión, una nube de palabras es una forma pobre de mostrar datos. No tiene eje, ni cero, ni un orden fiable, y la posición de una palabra no significa nada: está donde la maquetación pudo encajarla. Las palabras largas parecen mayores que las cortas al mismo tamaño solo porque tienen más letras. Si de verdad necesitas comparar frecuencias, un gráfico de barras lo hace mejor y esta página no va a fingir lo contrario. En lo que una nube es realmente buena es en que la miren de pasada.

La maquetación empaqueta rectángulos, no formas de letra. Encajar palabras dentro de los rasgos descendentes de otras queda más compacto, y varias herramientas lo hacen, pero entonces la tinta que cubre una palabra deja de ser una función simple de su tamaño, y la honestidad sobre la que se construye esta página depende de que esa relación siga siendo simple. Los rectángulos mantienen la afirmación verdadera.

Las listas de palabras vacías son un criterio y se etiquetan abiertamente como tal. No existe ninguna lista oficial para ningún idioma y todas las publicadas discrepan entre sí. Estas cubren las palabras funcionales que si no ahogarían cualquier nube. Elige el idioma de tu texto, y desactiva la lista si quieres las cuentas en bruto.

Las palabras se cuentan tal como están escritas. No hay lematización ni reducción a la raíz, así que «corre», «corren» y «corriendo» son tres palabras distintas, y un plural va aparte de su singular. Hacerlo de otro modo exige un diccionario por idioma y falla en los casos ambiguos; contar exactamente lo que hay en la página es, al menos, algo que puedes verificar.

El conteo y el dimensionado llevan 45 comprobaciones, incluida la identidad anterior sobre quinientas distribuciones y un control que confirma que el dimensionado por cuerpo de letra no la cumple nunca. El analizador se apoya en las propiedades Unicode de letra y no en el alfabeto latino, así que el árabe, el español y el portugués acentuados y el francés sobreviven intactos: un contador construido sobre `[a-z]` se equivocaría en cuatro de los cinco idiomas de este sitio.

¿Por qué es gratis?

Es contar y un lienzo, ambos ejecutándose en tu propia máquina. No se sube nada, no hay cuenta y el PNG no lleva marca de agua porque no hay ningún coste que recuperar poniéndola.

Si quieres las frecuencias como números y no como imagen, el contador de palabras de este sitio te las da, también sin subir nada.