{ "cells": [ { "cell_type": "markdown", "source": [ "# Provocare: Analiza textului despre Știința Datelor\n", "\n", "> *În acest caiet, experimentăm cu folosirea diferitelor URL-uri - articol Wikipedia despre Învățarea Automată. Se poate observa că, spre deosebire de Știința Datelor, acest articol conține o mulțime de termeni, ceea ce face analiza mai problematică. Trebuie să găsim o altă metodă de a curăța datele după extragerea cuvintelor cheie, pentru a scăpa de unele combinații frecvente, dar fără semnificație.*\n", "\n", "În acest exemplu, să facem un exercițiu simplu care acoperă toate etapele unui proces tradițional de știință a datelor. Nu trebuie să scrieți niciun cod, puteți doar să faceți clic pe celulele de mai jos pentru a le executa și a observa rezultatul. Ca provocare, sunteți încurajați să încercați acest cod cu date diferite.\n", "\n", "## Obiectiv\n", "\n", "În această lecție, am discutat diferite concepte legate de Știința Datelor. Să încercăm să descoperim mai multe concepte aferente făcând o **extragere de text**. Vom începe cu un text despre Știința Datelor, vom extrage cuvintele cheie din acesta, apoi vom încerca să vizualizăm rezultatul.\n", "\n", "Ca text, voi folosi pagina despre Știința Datelor de pe Wikipedia:\n" ], "metadata": {} }, { "cell_type": "markdown", "source": [], "metadata": {} }, { "cell_type": "code", "execution_count": 2, "source": [ "url = 'https://en.wikipedia.org/wiki/Data_science'\r\n", "url = 'https://en.wikipedia.org/wiki/Machine_learning'" ], "outputs": [], "metadata": {} }, { "cell_type": "markdown", "source": [ "## Pasul 1: Obținerea datelor\n", "\n", "Primul pas în orice proces de știință a datelor este obținerea datelor. Vom folosi biblioteca `requests` pentru asta:\n" ], "metadata": {} }, { "cell_type": "code", "execution_count": 3, "source": [ "import requests\r\n", "\r\n", "text = requests.get(url).content.decode('utf-8')\r\n", "print(text[:1000])" ], "outputs": [ { "output_type": "stream", "name": "stdout", "text": [ "\n", "\n", "\n", "\n", "Machine learning - Wikipedia\n", "