pygame requirements

frameworks/NLTK/06-Gramaticas.py

@@ -34,10 +34,3 @@
 #que se podrían generar
 for posible_frase in generate(gramatica, depth=5):
     print(' '.join(posible_frase))
-
-''' #####################
-    ###  Parseadores  ###
-    #####################
-
-    
-'''

frameworks/NLTK/08-NLP_app.py

@@ -0,0 +1,60 @@
+''' Según el libro la aplicación de ejemplo que vamos
+    a realizar consiste en un programita que va a usar
+    las técnicas que hemos visto de NLP para resumir
+    noticias.
+
+    Recordemos que NLTK ya tiene una buena base de datos de
+    noticias antiguas, por lo que sin haber hecho esto previamente
+    seguro que van por ahí los tiros.
+
+    Para ello vamos a resumir calculando la "importancia" que tienen
+    las frases dentro de las noticias.
+'''
+
+#Como las cosas buenas vienen en inglés en NLTK, pues toca hacerlo en inglés
+noticia = """President Obama on Monday will ban the federal provision of some
+types of military-style equipment to local police departments and sharply
+restrict the availability of others, administration officials said.
+
+The ban is part of Mr. Obama's push to ease tensions between law enforcement
+and minority communities in reaction to the crises in Baltimore; Ferguson, Mo.;
+and other cities.
+- - -
+blic." It contains dozens of recommendations for agencies throughout the country."""
+
+#Vamos a aplicar la pipeline que vimos en 07.
+import nltk
+
+''' Para evaluar las frases se van a:
+    - Enumerar
+    - Realizar el Part of Speech para saber de qué tipo es cada palabra
+    - Realizar el NER para encontrar e identificar entidades
+    + Calcular la importancia de la frase en base al número
+        de nombres (Obama, etc) y NERs que encontramos con respecto
+        al total de tokens (palabras) de la frase.
+
+    Es decir, una frase vacía sin nombres ni lugares ni nada, es poco probable que
+    aporte información en una noticia. Aquí nos interesan cosas como:
+        "<NOMBRE> declara la guerra al Imperio Galáctico"
+    Y no cosas estilo:
+        "<NOMBRE> pasea tranquilamente mientras observa la etapa
+        primaveral pasar con ojos melancólicos"
+'''
+
+results = []
+for numero,frase in enumerate(nltk.sent_tokenize(noticia)):
+    #Tokenizamos la frase, es decir nos quedamos con las palabras.
+    #Esto se ha visto en el archivo 02
+    num_tokens = len(nltk.word_tokenize(frase))
+    #Pos tagging de los token obtenidos, visto en el 03.
+    pos_tag = nltk.pos_tag(nltk.word_tokenize(frase))
+    #Contamos el número de nombres (sustantivos) que hay en la frase
+    num_sustantivos = len([word for word,pos in pos_tag if pos in ["NN","NNP"] ])
+    #Encontramos las entidades en la frase. Archivo 05
+    entidades = nltk.ne_chunk(pos_tag, binary=False)
+    num_entidades = len([chunk for chunk in entidades if hasattr(chunk, 'node')])
+    score = (num_entidades + num_sustantivos) / num_tokens
+
+    results.append((sent_no,no_of_tokens,no_of_ners, no_of_nouns,score,frase))
+
+print(results)

frameworks/pygame/requirements.txt

@@ -0,0 +1 @@
+pygame==1.9.3