長い英単語の成分分析

発表！長い英単語トップ10。1位は驚きの語数
の記事を見ると $1$ 位に輝いている英単語は化学の専門用語でタンパク質の一種だそうです。
通称 Titin (チチン) と呼ばれているそうで、その単語の長さは驚きの
18万9819語
だそうです！！
全文を見たい場合はthelongestwordinenglish.txtに載っているそうなので早速見てみました。

すると、なんか似ている文字列が複数あるではないですか。。。
だったらどんな文字がどれだけ出ているかを調べたくなってしまいますよね。

そこで超高機能な Mathematica さんに調べてもらいました。

thelongestwordinenglish.nb

L1 = ToLowerCase@Import["http://nzlife.net/wp-content/uploads/thelongestwordinenglish.txt"];
L2 = StringInsert[L1, ",", First[#] + 2 & /@ StringPosition[L1, "yl"]];
L3 = StringReplacePart[L2, "phenylalanyl", StringPosition[L2, "phenyl,alanyl"]];
L4 = Sort[Flatten[{Union[#], Length[#]}] & /@ Split@Sort@StringSplit[L3, ","], #1[[2]] > #2[[2]] &];
Export["thelongestwordinenglish.csv", L4]

まずは、 L1 にさっきのリンク先の Text データをすべて小文字にしてインポート。
続いて L2 はアミノ酸の単語を区切るために yl の後をカンマで区切ります。
L3 では phenylalanyl が phenyl,alanyl と解釈されているのでその部分を修正
L4 は

StringSplit["string",patt]
文字列を文字列式 patt にマッチするデリミタで区切って部分文字列に分割する．

という素晴らしい関数があるので、これで区切ってソートして、更にスプリット。
それらを Union と Length を使って数を調べて、数の多い順にソートして欲しいデータを作ります。
これを csv などにしてエクスポートしてあげれば見やすいデータの完成です！

因みにそのあとゴニョゴニョと備考などを付けてまとめたものが以下のものです。

単語	個数	アミノ酸(英語)	アミノ酸	略語($3$文字)	略語($1$文字)
leucyl	1147	leucine	ロイシン	Leu	L
glutamyl	971	glutamic acid	グルタミン酸	Glu	E
glutaminyl	763	glutamine	グルタミン	Gln	Q
seryl	730	serine	セリン	Ser	S
lysyl	697	lysine	リシン	Lsy	K
alanyl	571	alanine	アラニン	Ala	A
aspartyl	465	aspartic acid	アスパラギン酸	Asp	D
valyl	430	valine	バリン	Val	V
arginyl	425	arginine	アルギニン	Arg	R
threonyl	413	threonine	トレオニン	Thr	T
isoleucyl	391	isoleucine	イソロイシン	Ile	I
glycyl	290	glycine	グリシン	Gly	G
asparaginyl	289	asparagine	アスパラギン	Asn	N
histidyl	238	histidine	ヒスチジン	His	H
phenylalanyl	206	phenylalanine	フェニルアラニン	Phe	F
methionyl	204	methionine	メチオニン	Met	M
prolyl	176	proline	プロリン	Pro	P
tyrosyl	142	tyrosin	チロシン	Tyr	Y
tryptophyl	131	tryptophan	トリプトファン	Trp	W
cysteinyl	117	cysteine	システイン	Cys	C
leucine	1	leucine	ロイシン	Leu	L

合計で $8797$ ものアミノ酸がありました。