{ "cells": [ { "cell_type": "markdown", "source": [ "# Výzva: Analýza textu o Data Science\n", "\n", "> *V tomto notebooku zkoušíme použití různých URL – wikipedia článek o strojovém učení. Vidíte, že na rozdíl od Data Science tento článek obsahuje mnoho termínů, což činí analýzu problematičtější. Potřebujeme přijít s jiným způsobem, jak vyčistit data po extrakci klíčových slov, abychom se zbavili některých častých, ale nevýznamných slovních spojení.*\n", "\n", "V tomto příkladu uděláme jednoduché cvičení, které pokrývá všechny kroky tradičního procesu datové vědy. Nemusíte psát žádný kód, stačí kliknout na buňky níže, spustit je a pozorovat výsledek. Jako výzvu máte možnost tento kód vyzkoušet na různých datech.\n", "\n", "## Cíl\n", "\n", "V této lekci jsme diskutovali různé koncepty související s Data Science. Zkusme objevit další související koncepty pomocí **textminingu**. Začneme textem o Data Science, z něj extrahujeme klíčová slova a pak se pokusíme vizualizovat výsledek.\n", "\n", "Jako text použiji stránku o Data Science z Wikipedie:\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": [ "## Krok 1: Získání dat\n", "\n", "Prvním krokem v každém procesu datové vědy je získání dat. K tomu použijeme knihovnu `requests`:\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", "