英語アルファベット出現頻度の計算方法、%の分母と大文字小文字の基準

英語のテキストを貼り付けたとき、どのアルファベットが何回、何パーセント登場するかを確認しようとして、結果を読み違えてしまうポイントは大きく2つあります。パーセントの分母を全体の文字数だと勘違いしてしまうことと、大文字・小文字の区別オプションによって集計の範囲が26種類から52種類に変わることを知らないまま読み進めてしまうことです。この記事では、計算の基準が正確に何なのかという点から始め、ツールを使わずに手で確認する方法までをまとめます。
まとめ ① パーセント(%)の分母は、全体の文字数(空白・数字を含む)ではなく、純粋なアルファベットの文字数です。 ② 大文字・小文字の区別をオフにするとA-Zの26種類に合算され、オンにするとa-z・A-Zの52種類に分かれます。 ③ 棒グラフの長さは100%基準ではなく、そのテキストで最も頻度の高い文字を基準にした相対比較です。
なぜこの計算がわかりにくいのか
英語のアルファベット頻度を調べたくなる場面は、おおむね次の3つのどれかです。換字暗号(シーザー暗号など)の練習問題を解きながら、どの文字が平文のEやTにあたるかを推測するとき。タイピング練習用の素材を作っていて、どの文字がどれくらいの頻度で出てくるかを見たいとき。あるいは、テキストデータをもとに言語学的な統計を出したいときです。
この3つの場面では、どれも同じ間違いが繰り返されます。テキスト全体の文字数を分母においてパーセントを手計算し、ツールが表示する数字と合わないので「計算を間違えた」と思い込んでしまうのです。実際には計算の基準が違うだけで、どちらかが間違っているわけではありません。
たとえば、空白や数字が混じった100文字のテキストのうちアルファベットが80文字しかない場合、Eが10回出てきたときのパーセントは100分の10(10%)ではなく、80分の10(12.5%)として計算されます。この違いを知らないと、ツールの結果と自分で計算した値がいつまでも食い違って見えます。
ツールを使わずに手で計算する方法
すべて手作業でも、表計算ソフトでも計算できます。手順は次のとおりです。
ステップ1 — 大文字・小文字を区別するかどうかを先に決めます。 「A」と「a」を1つにまとめるのか、別の文字として個別に数えるのかによって、以降のステップの結果がすべて変わります。
ステップ2 — アルファベット各文字の出現回数を数えます。 表計算ソフトなら、=LEN(A1)-LEN(SUBSTITUTE(A1,"e","")) のような関数で、特定の文字が何回出てくるかを数えられます。ただしこの種の文字列関数は基本的に大文字・小文字を区別しないため、大文字と小文字を別々に数えたい場合は EXACT 関数を組み合わせる必要があります。
ステップ3 — アルファベットの文字数の合計を求めます。 26種類(または52種類)の文字の出現回数をすべて足します。この合計が、空白・数字・句読点を除いた「純粋なアルファベットの文字数」であり、以降のパーセント計算の分母になります。
ステップ4 — 各文字のパーセントを求めます。 その文字の出現回数をステップ3で求めた合計で割り、100を掛けます。
ステップ5 — 並べ替えます。 頻度の高い順に見たいならパーセントの値が大きい順に、アルファベット順に見たいならAからZの順に並べます。
テキストが数行程度ならこの作業を手でやってもかまいませんが、1段落以上の分量になると、26種類(または52種類)の文字を1つずつ数えるのはすぐに面倒になります。手で数えるのが大変なときは、無料ツールで確認してください。
テキストを貼り付けるだけで、A〜Zの出現回数と割合がすぐに計算されます。ログインやインストールは不要で、無料で利用できます。

間違えやすい2つの基準
結果を読むときに最も混乱しやすいポイントを2つ、表にまとめると次のとおりです。
| 項目 | よくある誤解 | 実際の計算基準 |
|---|---|---|
| パーセントの分母 | 全体の文字数(空白・数字を含む) | 純粋なアルファベットの文字数だけ |
| 大文字・小文字のオプション | 常に26種類に合算される | 初期値は26種類(区別なし)、オプションをオンにすると52種類に分離 |
| 棒グラフの長さ | 100%をいっぱいにした長さ | そのテキストで最も頻度の高い文字を基準にした相対的な長さ |
空白・数字・句読点は、画面上部の集計(全体の文字数、アルファベット数、数字の数、空白の数)にはそれぞれ表示されますが、アルファベット別のパーセント計算には含まれません。アルファベット以外の文字を除いたうえで、アルファベット同士だけを比較する方式です。
大文字・小文字の区別が結果の見え方を変える仕組み
大文字・小文字のオプションは、結果の見え方そのものを変えます。区別をオフにすると「The」と「the」のTとtが1つにまとまり、A-Zの26行になります。区別をオンにすると大文字と小文字がそれぞれ独立した行として扱われ、最大52行まで表示されることがあります。
どちらが適切かは、何を確認したいかによって変わります。大文字で始まる固有名詞や文の最初の文字の割合まで見たいなら区別をオンにし、純粋にアルファベットの種類ごとの出現頻度だけを見たいなら、初期値(区別なし)のまま使えばよいです。
標準的な頻度順(E-T-A-O-I-N)と比べてみる
英語のテキスト全体で最もよく登場するアルファベットはおおむねEで、そのあとにT、A、O、I、Nと続くという順序は、暗号学や言語学で広く知られています。ツールで計算した自分のテキストの順位をこの順序と並べてみると、一般的な英語の文章に近い分布なのか、それとも特定の単語や繰り返しパターンが目立つテキストなのかを判断する手がかりになります。
ただしこの順序は、一般的な英語の散文を対象とした傾向にすぎないため、テキストが短かったり、固有名詞・コード・繰り返しの単語が多かったりすると、大きく外れることがあります。
まとめ
- パーセント(%)は全体の文字数ではなく、純粋なアルファベットの文字数(空白・数字・句読点を除く)を基準に計算されます。
- 大文字・小文字の区別オプションによって、結果は26カテゴリ(初期値)または52カテゴリに変わります。
- 棒グラフの長さは100%基準ではなく、そのテキストの中で最も頻度の高い文字を基準にした相対比較です。
- 並び順は頻度順(初期値)とアルファベット順から選んで表示できます。
- 広く知られている標準的な順序(E、T、A、O、I、N…)と比較すれば、自分のテキストが一般的な英語の分布に近いかを確認できます。
テキストを貼り付けるだけで、A〜Zの出現回数と割合がすぐに計算されます。ログインやインストールは不要で、無料で利用できます。
よくある質問
空白や数字もパーセントの計算に含まれますか?
いいえ。全体の文字数、空白の数、数字の数は集計として別に表示されますが、アルファベット別のパーセント(%)の計算は、純粋な英語アルファベットの文字数だけを基準に算出されます。空白や数字が多く混じったテキストでも、アルファベット同士の割合の計算には影響しません。
大文字・小文字の区別はいつオンにするのがよいですか?
決まった正解はなく、何を確認したいかによって変わります。大文字で始まる単語や文の最初の文字の割合まで別に見たいなら区別をオンにして最大52カテゴリに分けて見て、アルファベットの種類そのものの出現頻度だけを見たいなら、初期値である区別なし(26種類)のまま使えばよいです。
棒グラフがすべて違う長さなのですが、一番長い棒が100%という意味ですか?
いいえ。棒の長さは100%を基準に描かれているのではなく、そのテキストで最も頻度の高い文字(最大値)を基準にして、他の文字の割合を相対的に表したものです。実際のパーセントの数値は各行に数字として併記されているので、正確な値は棒の長さではなく、横に表示された数値で確認してください。
並び順(頻度順/アルファベット順)を変えると結果そのものが変わりますか?
変わりません。並び順は同じ計算結果を表示する順番を変えるだけで、各文字の出現回数やパーセントの数値そのものには影響しません。頻度順はどの文字が最も多く使われたかをひと目で見るのに便利で、アルファベット順はAからZまで特定の文字を探すのに便利です。
この記事は韓国語の原文をもとに作成しています。 韓国語の原文を読む