{
"cells": [
{
"cell_type": "markdown",
"source": [
"# Utfordring: Analysere tekst om Data Science\n",
"\n",
"I dette eksempelet skal vi gjøre en enkel øvelse som dekker alle trinn i en tradisjonell data science-prosess. Du trenger ikke å skrive noen kode, du kan bare klikke på cellene nedenfor for å kjøre dem og observere resultatet. Som en utfordring oppfordres du til å prøve denne koden med forskjellige data.\n",
"\n",
"## Mål\n",
"\n",
"I denne leksjonen har vi diskutert ulike konsepter relatert til Data Science. La oss prøve å oppdage flere relaterte konsepter ved å gjøre noe **tekstudvinning**. Vi starter med en tekst om Data Science, trekker ut nøkkelord fra den, og prøver deretter å visualisere resultatet.\n",
"\n",
"Som tekst vil jeg bruke siden om Data Science fra Wikipedia:\n"
],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 62,
"source": [
"url = 'https://en.wikipedia.org/wiki/Data_science'"
],
"outputs": [],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [
"## Trinn 1: Skaffe dataene\n",
"\n",
"Første trinn i enhver datavitenskapsprosess er å skaffe dataene. Vi vil bruke `requests`-biblioteket for å gjøre det:\n"
],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 63,
"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",
"Data science - Wikipedia\n",
"