＊このプロジェクトは取り組み中です。

計量言語学を勉強し始めて、「データで学ぶ日本語入門」（計量国語学会編、朝倉書店）を読んでいる。
先日、計量国語学会の特別講義で第1章から第5章までの解説を聞くことができた。
第1章の音声・音韻−現代の日本語には何種類の音があるの？どの音がよく使用されているの？』の部分で、「和語」「漢語」「外来語」の3つの語種では、使用されるモーラの種類が違うかもしれない。この本で勉強する初学者は、手を動かして比較してみたらいいかも〜と聞いた。やってみよう。

やること

「和語」「漢語」「外来語」の3つの語種のモーラを比較する。
比較する語の語種と読みは、UniDic を用いる。

準備

環境を整えて、それから UniDic をざっと眺める。

環境

MeCab 0.996 と UniDic(ver. 2.1.2) をインストールした。
MeCabの設定ファイルを編集して、UniDicを使えるようにした。
参考 👉 MeCabとUNIDICをUbuntu 14.04にインストール - Yura YuLife
MeCabの設定ファイルを編集して、語種を表示できるようにした。参考 👉 MeCab + Unidic を使って単語の語種（和語、漢語）を表示する - Qiita
~/unidic-mecab-2.1.2_src/lex.csv を作業フォルダにコピーした。
ちなみに　~/unidic-mecab-2.1.2_src/unidic-mecab.pdf は「unidic-mecab ユーザーズマニュアル」

# MeCab で「こおりつけ！」を解析した結果
こおりつけ      コーリツケ      コオリツク      凍り付く        動詞-一般       五段-カ行       命令形  和
！                      ！      補助記号-句点                   記号
EOS

今回は MeCab は使わないかもしれない。

UniDic を読んでみる

0行目から756462行目まで。
ランダムに10行表示してみる。

# study_unidic.py
# coding: UTF-8
import random
ranli = []
for ir in range(10):
    ranli.append(random.randrange(0, 756462+1))

with open("./data/lex.csv", 'r', encoding = "UTF-8") as f:
    for i, lin in enumerate(f):
        if i in ranli:
            print(lin, end="")
    print(i)

# 結果
送りこめん,1260,1260,10930,動詞,一般,*,*,下一段-マ行,連体形-撥音便,オクリコム,送り込む,送りこめん,オクリコメン,送りこめる,オクリコメル,和,*,*,*,*
思い取ろ,1405,1405,10896,動詞,一般,*,*,五段-ラ行,意志推量形,オモイトル,思い取る,思い取ろ,オモイトロ,思い取る,オモイトル,和,*,*,*,*
居ろっ,3913,3913,10963,動詞,非自立可能,*,*,五段-ラ行,意志推量形,オル,居る,居ろっ,オロッ,居る,オル,和,*,*,*,*
規則,5146,5146,7239,名詞,普通名詞,一般,*,*,*,キソク,規則,規則,キソク,規則,キソク,漢,*,*,*,*
くぐまる,1414,1414,11824,動詞,一般,*,*,五段-ラ行,終止形-一般,クグマル,屈まる,くぐまる,クグマル,くぐまる,クグマル,和,*,*,*,*
こまかろう,5164,5164,10560,形容詞,一般,*,*,形容詞,意志推量形,コマイ,細い,こまかろう,コマカロー,こまい,コマイ,和,*,*,*,*
しずみゃ,1377,1377,12251,動詞,一般,*,*,五段-マ行,仮定形-融合,シズム,沈む,しずみゃ,シズミャ,しずむ,シズム,和,*,*,*,*
とりちらせ,1321,1321,12666,動詞,一般,*,*,五段-サ行,命令形,トリチラス,取り散らす,とりちらせ,トリチラセ,とりちらす,トリチラス,和,*,*,*,*
拓い,1679,1679,12361,動詞,一般,*,*,文語四段-カ行,連用形-イ音便,ヒラク,開く,拓い,ヒライ,拓く,ヒラク,和,*,*,*,*
振替え,1078,1078,12412,動詞,一般,*,*,下一段-ア行,未然形-一般,フリカエル,振り替える,振替え,フリカエ,振替える,フリカエル,和,*,*,*,*
756462

うわ、和語ばっかりだし動詞しかねぇな。

UniDic にはどんな語種が多いのか

説明すっとばしていきなり結果。

語種	収録数	割合
和	512,807	67.79 %
固	107,114	14.16 %
漢	67,055	8.86 %
外	37,645	4.98 %
混	27,306	3.61 %
記号	4,528	0.60 %
※	6	0.00 %
不明	2	0.00 %
やっぱり。和語が多い結果になった。
固有名詞が多いのも形態素解析用の辞書の特徴かも。

UniDic にはどんな品詞が多いのか

ついでに品詞も見てみました。

品詞	収録数	割合	NVMI	メモ
動詞	426,404	56.37 %	V
名詞	277,300	36.66 %	N
形容詞	33,486	4.43 %	M
副詞	7,430	0.98 %	M
形状詞	3,921	0.52 %	M	いわゆる「形容動詞」「な形容詞」
接尾辞	1,925	0.25 %		＊
感動詞	1,344	0.18 %	I
記号	1,196	0.16 %
助動詞	1,189	0.16 %
補助記号	863	0.11 %
代名詞	430	0.06 %	N
助詞	370	0.05 %
接頭辞	365	0.05 %
連体詞	135	0.02 %	M
接続詞	104	0.01 %	I
空白	1	0.00 %

＊ "接尾辞-名詞的"… "物理学者"の"者"、"接尾辞-形容詞的"…"ガンになりにくい"の"にくい"

動詞が多いのは活用形を網羅しているからだろうな。

上の割合は「日本語の中での割合」とは異なる、ということは、ここで押さえておかなければならない。
国語辞典で一つの項目になっていたり、語彙調査で一つの語彙と数えられたりするものでも、表記や出現形が異なれば、別の語として収録される。
国語辞典は紙面の都合で掲載数に限りがあるし、国語辞典に載っていても語彙調査で見られないものもあるだろう。

今回は、「和語」「漢語」「外来語」の3つの語種のモーラを比較したいわけだが、調査対象に動詞（の活用形）が多いのは問題があるだろうか。あるかも知れない。けれども、動詞の割合というのも文体によって変わるって勉強したよね〜どうしようね。

っていうことで、ひとまず気にしないでやってみることにする。
（続く）