معرفی شرکت ها
delab-trees-0.2.9
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
a library to analyse reply trees in forums and social media
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | delab-trees-0.2.9 |
| نام | delab-trees |
| نسخه کتابخانه | 0.2.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Julian Dehne |
| ایمیل نویسنده | julian.dehne@gmail.com |
| آدرس صفحه اصلی | https://github.com/juliandehne/delab-trees |
| آدرس اینترنتی | https://pypi.org/project/delab-trees/ |
| مجوز | MIT |
# Delab Trees
A library to analyze conversation trees.
## Installation
pip install delab_trees
## Get started
Example data for Reddit and Twitter are available here https://github.com/juliandehne/delab-trees/raw/main/delab_trees/data/dataset_[reddit|twitter]_no_text.pkl.
The data is structure only. Ids, text, links, or other information that would break confidentiality of the academic
access have been omitted.
The trees are loaded from tables like this:
| | tree_id | post_id | parent_id | author_id | text | created_at |
|---:|----------:|----------:|------------:|:------------|:------------|:--------------------|
| 0 | 1 | 1 | nan | james | I am James | 2017-01-01 01:00:00 |
| 1 | 1 | 2 | 1 | mark | I am Mark | 2017-01-01 02:00:00 |
| 2 | 1 | 3 | 2 | steven | I am Steven | 2017-01-01 03:00:00 |
| 3 | 1 | 4 | 1 | john | I am John | 2017-01-01 04:00:00 |
| 4 | 2 | 1 | nan | james | I am James | 2017-01-01 01:00:00 |
| 5 | 2 | 2 | 1 | mark | I am Mark | 2017-01-01 02:00:00 |
| 6 | 2 | 3 | 2 | steven | I am Steven | 2017-01-01 03:00:00 |
| 7 | 2 | 4 | 3 | john | I am John | 2017-01-01 04:00:00 |
This dataset contains two conversational trees with four posts each.
Currently, you need to import conversational tables as a pandas dataframe like this:
```python
import pandas as pd
from delab_trees import TreeManager
d = {'tree_id': [1] * 4,
'post_id': [1, 2, 3, 4],
'parent_id': [None, 1, 2, 1],
'author_id': ["james", "mark", "steven", "john"],
'text': ["I am James", "I am Mark", " I am Steven", "I am John"],
"created_at": [pd.Timestamp('2017-01-01T01'),
pd.Timestamp('2017-01-01T02'),
pd.Timestamp('2017-01-01T03'),
pd.Timestamp('2017-01-01T04')]}
df = pd.DataFrame(data=d)
manager = TreeManager(df)
# creates one tree
test_tree = manager.random()
```
Note that the tree structure is based on the parent_id matching another rows post_id.
You can now analyze the reply trees basic metrics:
```python
from delab_trees.main import get_test_tree
from delab_trees.delab_tree import DelabTree
test_tree : DelabTree = get_test_tree()
assert test_tree.total_number_of_posts() == 4
assert test_tree.average_branching_factor() > 0
```
A summary of basic metrics can be attained by calling
```python
from delab_trees.main import get_test_tree
from delab_trees.delab_tree import DelabTree
test_tree : DelabTree = get_test_tree()
print(test_tree.get_author_metrics())
# >>> removed [] and changed {} (merging subsequent posts of the same author)
# >>>{'james': <delab_trees.delab_author_metric.AuthorMetric object at 0x7fa9c5496110>, 'steven': <delab_trees.delab_author_metric.AuthorMetric object at 0x7fa9c5497dc0>, 'john': <delab_trees.delab_author_metric.AuthorMetric object at 0x7fa9c5497a00>, 'mark': <delab_trees.delab_author_metric.AuthorMetric object at 0x7fa9c5497bb0>}
```
More complex metrics that use the full dataset for training can be gotten by the manager:
```python
import pandas as pd
from delab_trees import TreeManager
d = {'tree_id': [1] * 4,
'post_id': [1, 2, 3, 4],
'parent_id': [None, 1, 2, 1],
'author_id': ["james", "mark", "steven", "john"],
'text': ["I am James", "I am Mark", " I am Steven", "I am John"],
"created_at": [pd.Timestamp('2017-01-01T01'),
pd.Timestamp('2017-01-01T02'),
pd.Timestamp('2017-01-01T03'),
pd.Timestamp('2017-01-01T04')]}
df = pd.DataFrame(data=d)
manager = TreeManager(df) # creates one tree
rb_vision_dictionary : dict["tree_id", dict["author_id", "vision_metric"]] = manager.get_rb_vision()
```
The following two complex metrics are implemented:
```python
from delab_trees.main import get_test_manager
manager = get_test_manager()
rb_vision_dictionary = manager.get_rb_vision() # predict an author having seen a post
pb_vision_dictionary = manager.get_pb_vision() # predict an author to write the next post
```
## How to cite
```latex
@article{dehne_dtrees_23,
author = {Dehne, Julian},
title = {Delab-Trees: measuring deliberation in online conversations},
url = {https://github.com/juliandehne/delab-trees}
year = {2023},
}
```
نیازمندی
| مقدار | نام |
|---|---|
| - | numpy |
| - | pandas |
| - | networkx |
| - | scikit-learn |
| ==2.11.0 | keras |
| - | matplotlib |
| ==2.11.0 | tensorflow |
نحوه نصب
نصب پکیج whl delab-trees-0.2.9:
pip install delab-trees-0.2.9.whl
نصب پکیج tar.gz delab-trees-0.2.9:
pip install delab-trees-0.2.9.tar.gz