关于输入法重码率的计算

本人在电脑上一直使用的86版五笔输入法。在手机上之前使用的是9宫全拼，后来使用了基于Rime框架的同文输入法，没有九宫全拼了；然后就自己配置了一个四角号码输入法。

如果有兴趣的可以移步：四角号码输入法介绍、四角号码配置仓库

四角号码输入法用下来感觉还是不错的，使用九宫格键盘，按键大，不易误触。

在调查四角号码输入法可行性的时候，也考虑和计算了重码率这个概念。统计的思路是统计码表内的总字数作为基准，计算存在同码字的字数，与之相除得到的比例值作为重码率。所使用的码表文件见： 四角号码码表 四码+五码+六码 收录汉字及部件约 7w5 个

统计脚本

统计码表的重码率 python 脚本如下：

# -*- coding:UTF-8 -*-
"""
@author: dyy
@contact: douyaoyuan@126.com
@time: 2025/4/18 12:01
@file: 字典组词方案验证.py
@desc: xxxxxx
"""

# region 引入必要的依赖
import os

模块名 = 'DebugInfo'
try:
    from DebugInfo.DebugInfo import *
except ImportError as impErr:
    print(f"尝试导入 {模块名} 依赖时检测到异常：{impErr}")
    print(f"尝试安装 {模块名} 模块：")
    try:
        os.system(f"pip install {模块名}")
    except OSError as osErr:
        print(f"尝试安装模块 {模块名} 时检测到异常：{osErr}")
        exit(0)
    else:
        try:
            from DebugInfo.DebugInfo import *
        except ImportError as impErr:
            print(f"再次尝试导入 {模块名} 依赖时检测到异常：{impErr}")
            exit(0)

# endregion

class CharCls:
    word: str = ''
    code: str = ''

def 加载码表(charCodeFile_: str,
             colIdxOfCode: int = 0,
             限制码长: int = 0,
             画板: 打印模板 = None)-> dict[str, CharCls]:
    """
    加载指定的码表文档，默认第一列为字，不同列以 tab 分隔
    :param colIdxOfCode: 编码所在的列，如果小于1，则默认最后一列为编码
    :param charCodeFile_: 指定的码表文档，文本文档
    :param 限制码长: 限制码的长度，如果为0，则不限制
    :param 画板: 打印模板
    :return: 返回码表字典，以字为key，以 CharCls对象为值
    """
    画板 = 画板 if isinstance(画板, 打印模板) else 打印模板()
    画板.执行位置(加载码表)

    if not charCodeFile_:
        画板.提示错误('未指定字码文件')
        return {}
    if not os.path.isfile(charCodeFile_):
        画板.提示错误(f'指定的字码文件不存在: {黄字(charCodeFile_)}')
        return {}

    charsDic: [str, CharCls] = {}
    with open(charCodeFile_, 'r', encoding='utf-8') as f:
        开始: bool = False
        for 行 in f:
            行 = 行.strip()
            if 开始:
                if not 行.startswith('#'):
                    行分列: list[str] = 行.split('\t')
                    if len(行分列) < 2: # 如果行的列数小于2,则这不是有效的字码行
                        continue
                    字 = 行分列[0]
                    if 0 < colIdxOfCode < len(行分列):
                        码 = 行分列[colIdxOfCode]
                    else:
                        码 = 行分列[-1]
                    if 限制码长 > 0:
                        码 = 码[:限制码长]
                    if len(码) > 1:
                        okFlg: bool = True
                        if charsDic.__contains__(字):
                            if len(charsDic[字].code) > len(码):
                                okFlg = False
                        if okFlg:
                            cc: CharCls = CharCls()
                            cc.word = 字
                            cc.code = 码

                            charsDic[字] = cc
            if 行 == '...':
                开始 = True

    return charsDic

def 加载词表(wordFile_: str, 画板: 打印模板 = None) -> dict[str, CharCls]:
    """
    加载指定的词语表,词语位于第一列,不同列以 Tab 分隔;可限制词语的字数,加载词语表时,不加载里面的码
    :param wordFile_: 指定的词语表文档
    :param 画板: 打印模板
    :return: 返回词码字典
    """
    画板 = 画板 if isinstance(画板, 打印模板) else 打印模板()
    画板.执行位置(加载词表)

    if not wordFile_:
        画板.提示错误('未指定词语文件')
        return {}
    if not os.path.isfile(wordFile_):
        画板.提示错误(f'指定的词语文件不存在: {黄字(wordFile_)}')
        return {}

    worldsDict: [str, CharCls] = {}
    with open(wordFile_, 'r', encoding='utf-8') as f:
        开始: bool = False
        for 行 in f:
            行 = 行.strip()
            if 开始:
                if not 行.startswith('#'):
                    词, *_ = 行.split('\t')
                    if len(词) == 2 and not worldsDict.__contains__(词):
                        wc: CharCls = CharCls()
                        wc.world = 词

                        worldsDict[词] = wc
            if 行 == '...':
                开始 = True
    return worldsDict

if __name__ == "__main__":
    画板 = 打印模板(True)
    画板.执行位置(__file__)

    # 直接统计码表的重码率
    if True:
        码表: dict[str, CharCls] = 加载码表(charCodeFile_=r'f:\Users\TmpFolder\sjhm_base.dict.yaml',
                                            colIdxOfCode=1,
                                            画板=画板.副本.缩进())
        汉字数量: int = len(码表)
        画板.消息(f'共加载码表条目 {绿字(汉字数量)} 条')

        码字表: dict[str, list[str]] = {}  # 以 码 为键,统计每个码应对的汉字
        for k, v in 码表.items():
            if v.code in 码字表.keys():
                码字表[v.code].append(k)
            else:
                码字表[v.code] = [k]

        重码字数量:int = len([len(码字表[code]) for code in 码字表 if len(码字表[code]) > 1])
        画板.消息(f'存在重码的字共有 {红字(重码字数量)} 个')
        画板.消息(f'计算码码率为 {重码字数量 * 100 / 汉字数量}%')

重码率统计

四角号码最大码表可以是六码，但也兼容四码和五码，以及存在一简、二简、三简字，日常使用一般是一简、二简、三简字和标准四码。

对于一、二、三简字，同时存在其对应的标准四、五、六码编码，在以下的统计中，我们将去除一、二、三简码，只统计四、五、六码的编码条目。

如果一个字的编码存在不同的码长编码，则以较长的码为统计依据。

下面分别统计不限码长和限码长的重码率情况。

不限制码长统计重码率

码表汉字条目为 74162 条，其中存在重码的字为 49313 条，重码率为 66.49%

限制码长为五码，统计重码率

这里，我们不统计六码编码，只统计四码、五码的条目，对于六码的条目，我们将其码长截短为五码。

码表汉字条目为 74162 条，其中存在重码的字为 65303 条，重码率为 88.05%

限制码长为四码，统计重码率

这里，我们将码长大于四码的条目，其码长截短为四码。统计其重码率如下。

码表汉字条目为 74162 条，其中存在重码的字为 72862 条，重码率为 98.25%

不翻页重码率

在实际的输入法使用中，一般我们在第一页中可以提供最多10个候选项目，在不翻面的情况下，选字是十分快捷和便利的。如果以不翻页选字为标准，即只将重码字数在10以上的字计算为重码字，则以此口径统计重码率如下：

码长类型	汉字数量	重码字数量	重码率
不限码长	74162	10079	13.59%
限定5码	74162	29521	39.81%
限定4码	74162	59507	80.24%

全拼重码率参考（不限码长）

作为对比，统计全拼的单字重码率数据如下（以四叶草拼音的码表为统计基准）。

码表汉字条目为 26315 条，其中存在重码的字为 26082 条，重码率为 99.11%

86五笔重码率参考（定长四码）

作为对比，统计86版五笔码表的单字重码率数据如下。

码表汉字条目为 74162 条，其中存在重码的字为 10079 条，重码率为 13.59%

小结

从以上可以看出，从重码率的角度，四角号码输入法在手机使用场景下，优于全拼，但差于五笔（但五笔需要使用全26键键盘，手机上只有两个大拇指操作，误触率和操作便利性上要比电脑键盘差的多）。