pip install isitkbs
(as demais bibliotecas necessárias são instaladas automáticamente com o comando acima)
# Instanciação da classe
isitkbs(model='randomforest')
Instancia o objeto com o modelo desejado.
wordkbs(input_data)
Analisa uma palavra e a classifica como keyboard smashing ou normal.
sentkbs(input_data)
Retorna uma lista dos keyboard smashings encontrados em uma frase.
freqkbs(input_data, graph=False)
Retorna a composição de letras da palavra e pode plotar um gráfico.
replacekbs(input_data, value=None, inplace=False, just_word=False)
Substitui os keyboard smashing encontrados em um dataframe/lista/string, por um valor especificado pelo usuário.
Caso você queira ver detalhes sobre as funções, aqui está o link para nossa documentação.
# Importação da classe isistkbs do pacote isitkbs
from isitkbs import isitkbs
# Instanciação da classe
kbs = isitkbs() # Random Forest
kbs = isitkbs(model='randomforest') # Random Forest
kbs = isitkbs(model='naivebayes') # Naive Bayes
kbs.wordkbs('yyyyyy')
1
kbs.wordkbs('Hello')
0
kbs.sentkbs('Hello world')
[]
kbs.sentkbs('aspdo asocjn')
['aspdo', 'asocjn']
kbs.freqkbs('aaddsffgd', graph=False)
{'a': 2, 'd': 3, 'f': 2, 'g': 1, 's': 1}
kbs.freqkbs('aaddsffgd', graph=True)
{'a': 2, 'd': 3, 'f': 2, 'g': 1, 's': 1}
# Criação de dataframe de exemplo
d = {'Exemplo': ["The World is beautiful", "Our project detects khhyaktvb"]}
df_exemplo = pandas.DataFrame(data=d)
Exemplo |
---|
The World is beautiful |
Our project detects khhyaktvb |
kbs.replacekbs(input_data=df_exemplo, value="Detectado", just_word=False)
Exemplo |
---|
The World is beautiful |
Detectado |
kbs.replacekbs(input_data=df_exemplo, value="Detectado", just_word=True)
Exemplo |
---|
The World is beautiful |
Our project detects Detectado |
- Código de conduta
- Metodologia de Comunicação
- Mapa de histórias de usuário
- WorkFlow
- RoadMap
- Docstrings do Pacote
/.github <- Templates para issues e pull requests.
/estudos <- Projetos e scripts pequenos para treino da equipe.
/data <- Bases de dados utilizadas no treinamento do algoritmo.
/dist <- Distribuições do nosso pacote comprimidas.
/docs <- Documentações, principalmente da gitpage.
/isitkbs.egg-info <- Informações de empacotamento.
/isitkbs <- Definição das funções que serão utilizadas pelos usuários.
/models <- Modelos já treinados.
/notebooks <- Jupyter notebooks usados para testes de funcionalidades.
/src <- Scripts para tratamento de dados, feature engineering e treinamento de algoritmos.
Para saber sobre como contribuir para o nosso projeto, clique neste link.
![]() Arthur de Melo | ![]() Arthur Grandão | ![]() Douglas Alves |
![]() Gabriel Campello |
![]() Paulo Victor | ![]() Rafael Ferreira | ![]() Sidney Fernando |
This software is licensed under the MIT ©