05 — Analyseur de texte

Niveau requis : 3 (chaînes, listes, dictionnaires) / Difficulté : 3/5 / Durée estimée : 2–3 h

Objectif

L'utilisateur colle un texte (ou le programme utilise un texte d'exemple intégré), et le programme affiche un rapport : nombre de caractères, de mots, de phrases, longueur moyenne des mots, les 5 mots les plus fréquents et la fréquence de chaque lettre.

--- Rapport ---
Caracteres : 486
Mots : 89
Phrases : 6
Longueur moyenne d'un mot : 4.4
Top 5 des mots : le (7), de (5), python (4), est (3), code (3)

C'est le premier projet où un dictionnaire est la SEULE bonne réponse — tu vas sentir pourquoi cette structure existe.

Notions utilisées

• Méthodes de chaînes : lower(), split(), strip(), count(), isalpha() — niveau 3
• Listes : parcours, len(), append() — niveau 3
• Dictionnaires : création, accès, dict.get(key, 0), parcours avec .items() — niveau 3
• Tri d'un dict par valeurs : sorted(d.items(), key=...) — niveau 3 (section avancée ; un indice est donné à l'étape 6)
• Boucles for — niveau 2

Cahier des charges

• Fichier text_analyzer.py. Le texte à analyser est dans une variable TEXT en haut du fichier (multiligne, """...""") — au moins 80 mots.
• Le comptage de mots est insensible à la casse (Le et le = même mot) et ignore la ponctuation collée aux mots (code, = code).
• Le nombre de phrases = nombre de ., ! et ?.
• La longueur moyenne des mots est affichée avec 1 décimale et se calcule sur les mots nettoyés.
• Le top 5 affiche mot et nombre d'occurrences, ordonné par fréquence décroissante.
• La fréquence des lettres ne compte que les lettres (isalpha()), en minuscules, et s'affiche triée par ordre alphabétique.

Étapes de construction

1. Crée le fichier avec TEXT et affiche les deux stats triviales : nombre de caractères (len(TEXT)) et nombre de mots (len(TEXT.split())). Lance : tu as déjà un mini-rapport.
2. Compte les phrases avec TEXT.count(".") + ! + ?. Ajoute au rapport.
3. Construis la liste des mots nettoyés : lower(), split(), puis strip(".,;:!?\"'()") sur chaque mot. Affiche les 10 premiers pour contrôler visuellement. Ce print de contrôle est temporaire mais OBLIGATOIRE : tu ne construis jamais sur une liste que tu n'as pas vue.
4. Longueur moyenne : somme des longueurs / nombre de mots, formatée :.1f.
5. Fréquence des mots : dictionnaire word_counts, rempli avec le motif word_counts[word] = word_counts.get(word, 0) + 1. Affiche le dict brut pour vérifier sur un petit texte de 10 mots dont tu connais la réponse.
6. Top 5 : trie word_counts.items() par valeur décroissante et prends les 5 premiers. Indice : sorted(word_counts.items(), key=lambda pair: pair[1], reverse=True) — le lambda est expliqué au niveau 4 ; si tu n'es pas à l'aise, une fonction nommée def get_count(pair): return pair[1] fait exactement pareil.
7. Fréquence des lettres : même motif que les mots, en filtrant avec isalpha(). Affiche trié par ordre alphabétique (sorted(letter_counts.items())). Retire les prints de contrôle, mets en forme le rapport final.

Extensions possibles

1. Ignorer les « mots vides » (le, la, de, un…) dans le top 5, via une liste STOP_WORDS.
2. Demander le texte à l'utilisateur avec input() au lieu de la constante (une seule ligne — le multi-ligne au clavier viendra avec les fichiers, niveau 5).
3. Afficher un histogramme texte des lettres : e : ######### (une multiplication de chaîne par valeur).
4. Compter les mots UNIQUES et le pourcentage de vocabulaire unique — un set fait ça en une ligne, c'est son métier.

Erreurs fréquentes sur ce projet

• KeyError: 'python' : accès à word_counts[word] avant de l'avoir créé. C'est exactement ce que dict.get(word, 0) résout — comprends ce motif, tu le réutiliseras toute ta vie.
• Nettoyer APRÈS avoir compté : code et code, deviennent deux entrées. L'ordre du pipeline (minuscules → découpage → nettoyage → comptage) n'est pas négociable.
• strip() au lieu de strip(".,;:!?") : sans argument, strip n'enlève que les espaces — or split() les a déjà enlevés. Résultat : la ponctuation reste et fausse tout, silencieusement.
• Diviser par zéro sur un texte vide : len(words) peut être 0. Un if de garde suffit.
• Trier word_counts directement (sorted(word_counts)) : ça trie les CLÉS par ordre alphabétique, pas par fréquence. Il faut trier les .items() avec une clé de tri.

Critères de réussite

• Sur un texte de contrôle de 10 mots dont je connais les comptes, chaque stat est exacte.
• Le, le et le, comptent comme le même mot.
• Le top 5 est bien ordonné par fréquence décroissante.
• Un texte vide ne fait pas planter le programme.
• Je peux expliquer le motif d.get(key, 0) + 1 sans regarder la fiche.

Commit conseillé

git add projects/mini-projects/05-analyseur-de-texte/
git commit -m "project: add text analyzer"

Puis entrée de journal + git push.