11. Práce s textem¶

11.1.1. “head” / “tail”¶

Načtěte soubor alice-in-wonderland.txt a naprogramujte funkce:

1. head, která vypište prvních n řádků obsahu souboru,

2. tail, která vypište posledních n řádků obsahu souboru.

def head(filename: str, n: int) -> None:
    pass

head("alice-in-wonderland.txt", 3)
#
# ALICE’S ADVENTURES IN WONDERLAND
#

def tail(filename: str, n: int) -> None:
    pass

tail("alice-in-wonderland.txt", 3)
# all their simple sorrows, and find a pleasure in all their simple joys,
# remembering her own child-life, and the happy summer days.
#

11.1.2. Každé druhé slovo¶

Načtěte soubor lorem-ipsum.txt a vypište každé druhé slovo, které se v něm nachází.

def every_second(filename: str) -> None:
    pass

every_second("lorem-ipsum.txt")
# ipsum sit consectetur elit, do tempor ut et magna Rhoncus purus
# enim Risus tristique aliquet. in quam orci eu Scelerisque imperdiet
# fermentum vel porta

11.1.3. Nejčastější slova¶

Načtěte soubor sherlock-holmes.txt a vypište 10 nejčastěji se vyskytujících slov v textu. Pro zajímavost se omezte pouze na slova délky 3 a více.

def most_freq_words(filename: str) -> None:
    pass

most_freq_words('sherlock-holmes.txt')

11.1.4. Průměrný počet slov ve větě¶

Analyzujte text v souboru alice-in-wonderland.txt a vraťte průměrný počet slov ve větě.

def average_sentence_len(filename: str) -> float:
    pass

print(average_sentence_len('alice-in-wonderland.txt'))

11.1.5. Frekvence písmen¶

Proveďte frekvenční analýzu některého z výše uvedených souborů. Vypište, kolikrát se v textu vyskytují jednotlivá písmena.

Tip: pro ověření, že je daný znak písmeno, můžete použít funkci isalpha.

def freq_analysis(filename: str) -> None:
    pass

freq_analysis('my_file.txt')

11.1.6. Podmíněná frekvenční analýza¶

Pro každé písmeno v textu vypište 5 písmen, které za ním následují nejčastěji. Můžete využít například soubor devatero_pohadek.txt.

def cond_freq_analysis(filename: str) -> None:
    pass

cond_freq_analysis('devatero_pohadek.txt')

11.1.7. Imitace textu¶

Napište funkci text_imitation(filename, length), která analyzuje text v souboru filename. Funkce pak vygeneruje pseudo-náhodný text o length slovech. Text se generuje po slovech. Další generované slovo se náhodně vybírá z těch, které v původním textu po naposledy vygenerovaném slově následovaly.

def text_imitation(filename: str, length: int) -> None:
    pass

text_imitation('devatero_pohadek.txt', 10)

11.1.9. Analýza jmen¶

Načtěte soubor jmena.csv. Implementujte funkci most_common_names(filename), která ze souboru vypíše count nejčastěji užívaných jmen (globálně).

def most_common_names(filename: str, count: int) -> None:
    pass

most_common_names('jmena.csv', 10)

11.1.11. Zpracování jmen¶

Napište funkce, která přečte všechny jména v souboru NAMES.txt, zpracuje je tak, aby měla velké pouze první počáteční písmeno (JOHN -> John) a seřadí je v abecedě. Po té je uloží do jiného souboru.

def process_names(input_filename: str, output_filename: str) -> None:
    pass

process_names('NAMES.txt', 'names.txt')

11.2.1. Celá čísla¶

Napište funkci is_integer(string), která vrátí True pokud zadaný string je celé číslo.

import re

def is_integer(string: str) -> bool:
    pass

def test_is_integer() -> None:
    assert is_integer("42") == True
    assert is_integer("-42") == True
    assert is_integer("4a2") == False

11.2.2. Čísla¶

Napište funkci is_number(string), která vrátí True pokud zadaný string je číslo.

import re

def is_number(string: str) -> bool:
    pass

def test_is_number() -> None:
    assert is_number("42.01") == True
    assert is_number("-42") == True
    assert is_number("4.b") == False
    assert is_number("42.") == False

11.2.3. Jména¶

Využijte soubor jmen, které jste vytvořili ve cvičení Zpracování jmen. Funkce search_in_file(pattern, filename) vypíše z daného souboru všechny řádky, které odpovídají vzoru. Pomocí této funkce vypište všechny jména která

1. obsahují oo

2. obsahují alespoň 3 znaky o (ne nutně po hned sobě)

3. obsahují pouze samohlásky

4. obsahují pouze souhlásky [stačí přidat jediný znak do předchozího vzoru]

5. začínají na B nebo D a končí na w nebo z

6. obsahují buď inf nebo rec

7. kromě prvního a posledního písmene obsahují pouze samohlásky a mají přesně 5 písmen

8. začínají a končí na A a mají nejvýše 4 písmena

9. začínají na N nebo M a obsahují alespoň 5 samohlásek

10. kromě a můžou obsahovat nejvýše 2 jiná písmena, což ale můžou být jedině l, m nebo n

# vypise radky, ktere splnuji zadany vzor
def search_in_file(pattern: str, file_name: str) -> None:
    with open(file_name) as f:
        lines = f.read().split('\n')        # nacteme vsechny radky do seznamu
        for line in lines:                  # prochazime radky a hledame shodu
            if re.search(pattern, line):
                print(line)

search_in_file(r'.*',  'names.txt')

11.2.4. Zpracování CSV¶

Ze souboru students.csv vypište následující statistiky:

1. seznam všech křestních jmen

2. seznam všech použitých křestních jmen (bez opakování) s počtem jejich výskytů

3. seznam všech použitých křestních jmen s počtem jejich výskytů začínající daným písmenem

4. řaďte jména podle abecedy

5. pro každého člověka informaci o studovaném semestru v následujícím formátu: 50668: 1. semestr 1. rocniku, 43583 : 5. semestr 1 cyklu

6. další informace (třeba rozložení mezi fakultami)

names("students.csv", "s")
# Samuel 3
# Sandra 1
# Sebastian 1

semesters("students.csv")
# 50668 : 1. semestr 1 rocniku
# 421714: 2. semestr 1 rocniku
# 564138: 1. semestr 1 rocniku
# 43583 : 5. semestr 1 cyklu
# 81908 : 5. semestr 1 cyklu
# 844632: 1. semestr 1 rocniku
# 798639: 1. semestr 1 rocniku
# ....