Muunnelmiani Kotuksen sanalistasta

Johdanto

Tällä sivulla on suomen kielen sanalistoja, jotka olen muuntanut Kotimaisten kielten keskuksen (Kotus) nykysuomen sanalistasta.

Tiedostot

Lataa kaikki sanalistat: kotus-listat.7z (870 kilotavua; pura esim. 7-Zip-ohjelmalla).

Paketti sisältää nämä tiedostot:

Tiedosto	Sanoja	Kuvaus
`plaintext.txt`	104 743	Alkuperäinen sanalista puhtaana tekstinä eli ilman CSV-koodausta ja taivutustietoja ym. Kukin sana on omalla rivillään.
`stripped.txt`	104 136	Kuin `plaintext.txt`, mutta sanojen aluista ja lopuista on poistettu väliviivat ja kukin sana on listalla vain kerran.
`stripped-reverse.txt`	104 136	Kuin `stripped.txt`, mutta lajiteltu kuin sanat olisi kirjoitettu takaperin. Katso myös Sanojen lajittelu alla.
`compounds.txt`	60 929	Yhdyssanat `stripped.txt`:ssä. Sanojen osat on erotettu alaviivoilla. Katso myös Yhdyssanalista alla.
`singles.txt`	43 207	Ei-yhdyssanat eli sanat, jotka ovat `stripped.txt`:ssä mutta eivät `compounds.txt`:ssä.
`finals.txt`	1 310	Yhdyssanojen (`compounds.txt`) viimeiset osat, ei kuitenkaan niitä, jotka esiintyvät myös yksinään (`stripped.txt`:ssä). Esimerkiksi sana pide on listalla, koska se esiintyy yhdyssanassa mielipide muttei yksinään.
`nonfinals.txt`	3 207	Yhdyssanojen (`compounds.txt`) ei-viimeiset osat, ei kuitenkaan niitä, jotka esiintyvät myös yhdyssanan viimeisenä osana (`finals.txt`:ssä) tai yksinään (`stripped.txt`:ssä). Esimerkiksi sana hevos on listalla, koska se esiintyy sanassa hevosvoima muttei minkään yhdyssanan lopussa eikä yksinään.
`convert.py`	–	Python-ohjelma, joka lukee Kotuksen alkuperäisen CSV-sanalistan ja `compounds.txt`:n sekä kirjoittaa niiden perusteella muut sanalistat.
`validate-compounds.py`	–	Python-ohjelma, joka etsii mahdollisia virheitä `compounds.txt`:stä.

Sanojen lajittelu

plaintext.txt:n sanat ovat alkuperäisessä järjestyksessä.

stripped-reverse.txt:n sanat on lajiteltu seuraavasti:

Sanat on lajiteltu ikään kuin ne olisi kirjoitettu takaperin; esimerkiksi sana jakaa on sanojen lujaa ja takaa välissä.
Muut merkit kuin kirjaimet eivät vaikuta lajitteluun.
Kirjainkoko ei ole merkitsevä.
w on lajiteltu v:nä, y u:na ja muut tarkkeelliset kirjaimet kuin å tarkkeettomina. (Näin vokaalisointu ei vaikeuta listan tarkastelua, kun esimerkiksi kaikki -ssa- ja -ssä-päätteiset sanat ovat peräkkäin.)

Muut kotus-listat.zip:in sanalistat on lajiteltu seuraavasti:

Muut merkit kuin kirjaimet eivät vaikuta lajitteluun, paitsi compounds.txt:ssä alaviivat (_).
Kirjainkoko ei ole merkitsevä.
w on lajiteltu v:nä ja muut tarkkeelliset kirjaimet kuin å, ä ja ö tarkkeettomina.

Yhdyssanalista

Yhdyssanalista compounds.txt koostuu stripped.txt:n yhdyssanoista. Joka rivillä on yksi yhdyssana, jonka osat on erotettu toisistaan alaviivoilla (esim. yli_oppilas_tutkinto). Jos yhdyssanan osia erottaa valmiiksi väliviiva tai välilyönti, alaviiva on sen jälkeen (esim. valo-_oppi, suomen _kieli). Yksittäiset sanat voivat sisältää väliviivoja ja välilyöntejä (esim. tax-free-_myynti, all stars -_joukkue). Väliviivat voivat olla tavallisia (- eli U+002D) tai ”non-breaking hyphen” -tyyppisiä (‑ eli U+2011).

Esimerkkejä latinalais- ja kreikkalaisperäisistä liitteistä, joita en laskenut omiksi sanoikseen:

alkuliitteet: a-, di-, dis-, in-, inter-, iso-, multi-, poly-, post-, pre-, re-, sub-, syn-, tri-
loppuliitteet: -grafi(nen/a), -grammi, -kroninen, -logi(nen/a), -metri(nen/a) (metri laitteena muttei mittayksikkönä), -paatti(nen)/-patia, -skooppi(nen)/-skopia

Listan yhdyssanat saadaan palautettua alkuperäiseen muotoonsa poistamalla alaviivat. Jos taas yhdyssana on tarkoitus pilkkoa osikseen, kunkin osan lopusta kannattaa lisäksi poistaa väliviivat ja välilyönnit.

(Käytän yhdyssanalistaa myös finmorph-projektissani, mutta siellä oleva versio on vanha.)