Ana içeriğe geç

Başlarken

Kurulum

tamga Python 3.11+ gerektirir.

uv pip install tamga
python -m spacy download en_core_web_trf

pip install tamga
python -m spacy download en_core_web_trf

İsteğe bağlı eklentiler

uv pip install "tamga[bayesian]"    # PyMC + arviz for hierarchical models
uv pip install "tamga[embeddings]"  # sentence-transformers + contextual BERT
uv pip install "tamga[viz]"         # plotly, kaleido, ete3
uv pip install "tamga[reports]"     # weasyprint for PDF report export
uv pip install "tamga[docs]"        # mkdocs + material theme (build this site)

Beş komutla bir çalışma

tamga init my-study          # (1) scaffold a project directory
cd my-study
# (2) drop .txt files into corpus/
# (3) fill in corpus/metadata.tsv — one row per file with filename → author, group, year, ...
tamga ingest corpus/ --metadata corpus/metadata.tsv  # (4) parse + cache
tamga info                    # (5a) verify the ingest
tamga run study.yaml --name demo   # (5b) run the declared study
tamga report results/demo --output results/demo/report.html

tamga init ile oluşturulan proje iskeleti, 200 en sık sözcük üzerinde Burrows Delta + PCA + Zeta içeren çalışan bir study.yaml içerir; dolayısıyla yukarıdaki adım dizisi, aldığınız herhangi bir derlemde baştan sona çalışır.

İlk Python oturumunuz

from tamga import (
    Corpus, Document,
    MFWExtractor, BurrowsDelta,
    PCAReducer, plot_scatter_2d,
)

corpus = Corpus(documents=[
    Document(id="d1", text=open("doc1.txt").read(), metadata={"author": "Alice"}),
    Document(id="d2", text=open("doc2.txt").read(), metadata={"author": "Alice"}),
    Document(id="d3", text=open("doc3.txt").read(), metadata={"author": "Bob"}),
    Document(id="d4", text=open("doc4.txt").read(), metadata={"author": "Bob"}),
    Document(id="q",  text=open("questioned.txt").read(), metadata={"author": "?"}),
])

# 1. Extract the most-frequent-word feature matrix.
fm = MFWExtractor(n=200, scale="zscore", lowercase=True).fit_transform(corpus)

# 2. Train Burrows Delta on the known docs and predict the questioned one.
import numpy as np
y = np.array(corpus.metadata_column("author"))
train_mask = y != "?"
clf = BurrowsDelta().fit_predict(fm)  # sklearn-compatible

Örnek veri: Federalist örneği

Depo ile birlikte çalıştırmaya hazır iki örnek gelir:

  • examples/quickstart/ — tartışmalı 50. makale dahil 9 makale kullanan başlangıç dostu bir kılavuz.
  • examples/federalist/ — Mosteller & Wallace (1964) sonucunu yeniden üreten 85 makalenin tam analizi.

Hızlı başlangıç, ilk çalıştırmada şu PCA grafiğini üretir:

Hamilton ve Madison'ın PCA grafiği

Sonraki adımlar