File size: 55,459 Bytes
33acdd8
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
1057
1058
1059
1060
1061
1062
1063
1064
1065
1066
1067
1068
1069
1070
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083
1084
1085
1086
1087
1088
1089
1090
1091
1092
1093
1094
1095
1096
1097
1098
1099
1100
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1119
1120
1121
1122
1123
1124
1125
1126
1127
1128
1129
1130
1131
1132
1133
1134
1135
1136
1137
1138
1139
1140
1141
1142
1143
1144
1145
1146
1147
1148
1149
1150
1151
1152
1153
1154
1155
1156
1157
1158
1159
1160
1161
1162
1163
1164
1165
1166
1167
1168
1169
1170
1171
1172
1173
1174
1175
1176
1177
1178
1179
1180
1181
1182
1183
1184
1185
1186
1187
1188
1189
1190
1191
1192
1193
1194
1195
1196
1197
1198
1199
1200
1201
1202
1203
1204
1205
1206
1207
1208
1209
1210
1211
1212
1213
1214
1215
1216
1217
1218
1219
1220
1221
1222
1223
1224
1225
1226
1227
1228
1229
1230
1231
1232
1233
1234
1235
1236
1237
1238
1239
1240
1241
1242
1243
1244
1245
1246
1247
1248
1249
1250
1251
1252
1253
1254
1255
1256
1257
1258
1259
1260
1261
1262
1263
1264
1265
1266
1267
1268
1269
1270
1271
1272
1273
1274
1275
1276
1277
1278
1279
1280
1281
1282
1283
1284
1285
1286
1287
1288
1289
1290
1291
1292
1293
1294
1295
1296
1297
1298
1299
1300
1301
1302
1303
1304
1305
1306
1307
1308
1309
1310
1311
1312
1313
1314
1315
1316
1317
1318
1319
1320
1321
1322
1323
1324
1325
1326
1327
1328
1329
1330
1331
1332
1333
1334
1335
1336
1337
1338
1339
1340
1341
1342
1343
1344
1345
1346
1347
1348
1349
1350
{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": 48,
   "id": "19c5ce1a-039d-4c1e-9795-6eb6116cd1ab",
   "metadata": {},
   "outputs": [],
   "source": [
    "import pandas as pd\n",
    "import csv\n",
    "import pymorphy3\n",
    "from pymorphy3 import MorphAnalyzer\n",
    "import time\n",
    "from tqdm import tqdm\n",
    "\n",
    "\n",
    "import numpy as np\n",
    "import re\n",
    "import string\n",
    "import nltk\n",
    "from collections import defaultdict\n",
    "from sklearn import metrics\n",
    "from time import time\n",
    "from nltk.corpus import stopwords\n",
    "from nltk.stem import WordNetLemmatizer\n",
    "from nltk.tokenize import RegexpTokenizer\n",
    "from sklearn.feature_extraction.text import TfidfVectorizer\n",
    "from sklearn.cluster import KMeans\n",
    "from sklearn.datasets import fetch_20newsgroups\n",
    "from sklearn.decomposition import TruncatedSVD\n",
    "from sklearn.pipeline import make_pipeline\n",
    "from sklearn.preprocessing import Normalizer\n",
    "\n",
    "from nltk.tokenize import word_tokenize\n",
    "import requests\n",
    "\n",
    "import sklearn\n",
    "sklearn.set_config(transform_output='pandas')"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "991d7d3f-8968-4e99-9148-e17b66761316",
   "metadata": {},
   "source": [
    "Датасет от Валерии"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "id": "1de2cc8a-1740-4ebd-aa83-2291cf12e4ef",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>page_url</th>\n",
       "      <th>image_url</th>\n",
       "      <th>author</th>\n",
       "      <th>title</th>\n",
       "      <th>annotation</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>0</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10957168</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Маринина А.</td>\n",
       "      <td>Ричард Третий и Генрих Восьмой глазами Шекспира</td>\n",
       "      <td>Расследование жизни и деяний двух самых опороч...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>1</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10997075</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Михалкова Е.И.</td>\n",
       "      <td>Знак истинного пути</td>\n",
       "      <td>Сыщики Макар Илюшин и Сергей Бабкин расследуют...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10941892</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Маринина  А.</td>\n",
       "      <td>Генрих Шестой глазами Шекспира</td>\n",
       "      <td>Генрих Шестой – самая трагическая фигура на ан...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10978116</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Маринина А.</td>\n",
       "      <td>Иоанн Безземельный, Эдуард Третий и Ричард Вто...</td>\n",
       "      <td>Истории трех знаменитых королей под одной обло...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>4</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10845007</td>\n",
       "      <td>https://static1.bgshop.ru/extraimagehandler.as...</td>\n",
       "      <td>Маринина А.</td>\n",
       "      <td>Шпаргалка для ленивых любителей истории. Корол...</td>\n",
       "      <td>Первая книга в необычном для Александры Марини...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>5</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10928065</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Елена Ивановна Михалкова</td>\n",
       "      <td>Мертвый кролик, живой кролик</td>\n",
       "      <td>Самый громкий провал Илюшина: преступление, ко...</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "                                         page_url  \\\n",
       "0  https://www.biblio-globus.ru//product/10957168   \n",
       "1  https://www.biblio-globus.ru//product/10997075   \n",
       "2  https://www.biblio-globus.ru//product/10941892   \n",
       "3  https://www.biblio-globus.ru//product/10978116   \n",
       "4  https://www.biblio-globus.ru//product/10845007   \n",
       "5  https://www.biblio-globus.ru//product/10928065   \n",
       "\n",
       "                                           image_url  \\\n",
       "0  https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "1  https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "2  https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "3  https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "4  https://static1.bgshop.ru/extraimagehandler.as...   \n",
       "5  https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "\n",
       "                     author  \\\n",
       "0               Маринина А.   \n",
       "1            Михалкова Е.И.   \n",
       "2              Маринина  А.   \n",
       "3               Маринина А.   \n",
       "4               Маринина А.   \n",
       "5  Елена Ивановна Михалкова   \n",
       "\n",
       "                                               title  \\\n",
       "0    Ричард Третий и Генрих Восьмой глазами Шекспира   \n",
       "1                                Знак истинного пути   \n",
       "2                     Генрих Шестой глазами Шекспира   \n",
       "3  Иоанн Безземельный, Эдуард Третий и Ричард Вто...   \n",
       "4  Шпаргалка для ленивых любителей истории. Корол...   \n",
       "5                       Мертвый кролик, живой кролик   \n",
       "\n",
       "                                          annotation  \n",
       "0  Расследование жизни и деяний двух самых опороч...  \n",
       "1  Сыщики Макар Илюшин и Сергей Бабкин расследуют...  \n",
       "2  Генрих Шестой – самая трагическая фигура на ан...  \n",
       "3  Истории трех знаменитых королей под одной обло...  \n",
       "4  Первая книга в необычном для Александры Марини...  \n",
       "5  Самый громкий провал Илюшина: преступление, ко...  "
      ]
     },
     "execution_count": 6,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "data_1 = pd.read_csv('csv_file.csv')\n",
    "data_1.head(6)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "id": "57e58eee-625e-47d3-9d48-25a05dca21a8",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 2149 entries, 0 to 2148\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    2149 non-null   object\n",
      " 1   image_url   2149 non-null   object\n",
      " 2   author      2143 non-null   object\n",
      " 3   title       2149 non-null   object\n",
      " 4   annotation  2146 non-null   object\n",
      "dtypes: object(5)\n",
      "memory usage: 84.1+ KB\n"
     ]
    }
   ],
   "source": [
    "data_1.info()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 24,
   "id": "79ae4aac-9301-4e90-85a8-65b6a7b6cd33",
   "metadata": {},
   "outputs": [],
   "source": [
    "filtered_data_1 = data_1.dropna(subset=['author'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 26,
   "id": "d305b67d-4763-46e1-8363-9e2c0f9fb823",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "Index: 2140 entries, 0 to 2148\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    2140 non-null   object\n",
      " 1   image_url   2140 non-null   object\n",
      " 2   author      2140 non-null   object\n",
      " 3   title       2140 non-null   object\n",
      " 4   annotation  2140 non-null   object\n",
      "dtypes: object(5)\n",
      "memory usage: 100.3+ KB\n"
     ]
    }
   ],
   "source": [
    "filtered_data_1 = filtered_data_1.dropna(subset=['annotation'])\n",
    "filtered_data_1.info()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c6bb97f1-3efc-45a3-acfa-d3957e6a299c",
   "metadata": {},
   "source": [
    "Датасет от Савра"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "id": "7464feea-b7e1-48f0-8206-4f5afdea242f",
   "metadata": {},
   "outputs": [],
   "source": [
    "data_2 = pd.read_csv('csv_file_Savr.csv', on_bad_lines='skip')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 9,
   "id": "5922c272-303f-4899-b4e3-26ac7133651d",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>page_url</th>\n",
       "      <th>image_url</th>\n",
       "      <th>author</th>\n",
       "      <th>title</th>\n",
       "      <th>annotation</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>0</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10983286</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Лю Цысинь</td>\n",
       "      <td>Темный лес (Воспоминания о прошлом Земли #2. Б...</td>\n",
       "      <td>Трисолярианский кризис продолжается. У землян ...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>1</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10864732</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Чэнь Д.</td>\n",
       "      <td>Вайолет, созданная из шипов (#1)</td>\n",
       "      <td>Вайолет — предсказательница.  Но никто не знае...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10988948</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Лю Цысинь</td>\n",
       "      <td>Задача трех тел (Воспоминания о прошлом Земли ...</td>\n",
       "      <td>В те времена, когда Китай переживал последстви...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10922727</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Парди К.</td>\n",
       "      <td>Рассвет костяной волшебницы (#2)</td>\n",
       "      <td>Священный долг каждой костяной волшебницы – пе...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>4</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10864123</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Кунц Д.</td>\n",
       "      <td>Холодный огонь</td>\n",
       "      <td>Их свел случай, странное происшествие, которое...</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "                                         page_url  \\\n",
       "0  https://www.biblio-globus.ru//product/10983286   \n",
       "1  https://www.biblio-globus.ru//product/10864732   \n",
       "2  https://www.biblio-globus.ru//product/10988948   \n",
       "3  https://www.biblio-globus.ru//product/10922727   \n",
       "4  https://www.biblio-globus.ru//product/10864123   \n",
       "\n",
       "                                           image_url     author  \\\n",
       "0  https://static1.bgshop.ru/imagehandler.ashx?fi...  Лю Цысинь   \n",
       "1  https://static1.bgshop.ru/imagehandler.ashx?fi...    Чэнь Д.   \n",
       "2  https://static1.bgshop.ru/imagehandler.ashx?fi...  Лю Цысинь   \n",
       "3  https://static1.bgshop.ru/imagehandler.ashx?fi...   Парди К.   \n",
       "4  https://static1.bgshop.ru/imagehandler.ashx?fi...    Кунц Д.   \n",
       "\n",
       "                                               title  \\\n",
       "0  Темный лес (Воспоминания о прошлом Земли #2. Б...   \n",
       "1                   Вайолет, созданная из шипов (#1)   \n",
       "2  Задача трех тел (Воспоминания о прошлом Земли ...   \n",
       "3                   Рассвет костяной волшебницы (#2)   \n",
       "4                                     Холодный огонь   \n",
       "\n",
       "                                          annotation  \n",
       "0  Трисолярианский кризис продолжается. У землян ...  \n",
       "1  Вайолет — предсказательница.  Но никто не знае...  \n",
       "2  В те времена, когда Китай переживал последстви...  \n",
       "3  Священный долг каждой костяной волшебницы – пе...  \n",
       "4  Их свел случай, странное происшествие, которое...  "
      ]
     },
     "execution_count": 9,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "data_2.head(5)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 12,
   "id": "5ff461c2-aef9-4e77-bf6e-d5b3f7229732",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 3531 entries, 0 to 3530\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    3531 non-null   object\n",
      " 1   image_url   1970 non-null   object\n",
      " 2   author      1375 non-null   object\n",
      " 3   title       920 non-null    object\n",
      " 4   annotation  581 non-null    object\n",
      "dtypes: object(5)\n",
      "memory usage: 138.1+ KB\n"
     ]
    }
   ],
   "source": [
    "data_2.info()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 27,
   "id": "c5da28ad-122b-4ef0-900c-08230a0729a2",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "Index: 581 entries, 0 to 3529\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    581 non-null    object\n",
      " 1   image_url   581 non-null    object\n",
      " 2   author      579 non-null    object\n",
      " 3   title       581 non-null    object\n",
      " 4   annotation  581 non-null    object\n",
      "dtypes: object(5)\n",
      "memory usage: 27.2+ KB\n"
     ]
    }
   ],
   "source": [
    "filtered_data_2 = data_2.dropna(subset=['annotation'])\n",
    "filtered_data_2.info()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 28,
   "id": "4df00d79-f0b9-463b-b495-b2696ea6fac3",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "Index: 579 entries, 0 to 3529\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    579 non-null    object\n",
      " 1   image_url   579 non-null    object\n",
      " 2   author      579 non-null    object\n",
      " 3   title       579 non-null    object\n",
      " 4   annotation  579 non-null    object\n",
      "dtypes: object(5)\n",
      "memory usage: 27.1+ KB\n"
     ]
    }
   ],
   "source": [
    "filtered_data_2 = filtered_data_2.dropna(subset=['author'])\n",
    "filtered_data_2.info()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 39,
   "id": "2b549079-a2e1-4132-9b21-0d77d0ba2e7f",
   "metadata": {},
   "outputs": [],
   "source": [
    "data_1_2 = pd.concat([filtered_data_1, filtered_data_2], ignore_index=True) # объединенный с библиоглобуса"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 33,
   "id": "b6f4c3ae-270a-4a0e-842a-899c08ef878f",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 2719 entries, 0 to 2718\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    2719 non-null   object\n",
      " 1   image_url   2719 non-null   object\n",
      " 2   author      2719 non-null   object\n",
      " 3   title       2719 non-null   object\n",
      " 4   annotation  2719 non-null   object\n",
      "dtypes: object(5)\n",
      "memory usage: 106.3+ KB\n"
     ]
    }
   ],
   "source": [
    "data_1_2.info()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "2ab092ab-8b1f-4cbd-a43c-670c398fee74",
   "metadata": {},
   "source": [
    "Датасет от Сауле (с loveread)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 29,
   "id": "98e27ab5-74b6-4811-8fec-d499ba024d9f",
   "metadata": {},
   "outputs": [],
   "source": [
    "data_3 = pd.read_csv('books_v7_500.csv')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 31,
   "id": "b2483fc7-99fa-4456-80d5-9da972f0ec2e",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>page_url</th>\n",
       "      <th>image_url</th>\n",
       "      <th>author</th>\n",
       "      <th>title</th>\n",
       "      <th>annotation</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>495</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=10138</td>\n",
       "      <td>http://loveread.ec/img/photo_books/10138.jpg</td>\n",
       "      <td>Нил Шустерман</td>\n",
       "      <td>Книга Громила</td>\n",
       "      <td>Когда Бронте начинает встречаться с Брюстером ...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>496</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=10150</td>\n",
       "      <td>http://loveread.ec/img/photo_books/10150.jpg</td>\n",
       "      <td>Шеррилин Кеньон</td>\n",
       "      <td>Книга Дьявол может плакать [= Син и Катра ]</td>\n",
       "      <td>Месть. Некоторые говорят, что это яд, просачив...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>497</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=10162</td>\n",
       "      <td>http://loveread.ec/img/photo_books/10162.jpg</td>\n",
       "      <td>Бекка Фицпатрик</td>\n",
       "      <td>Книга Тишина</td>\n",
       "      <td>Ссоры между Патчем и Норой закончились. Они ра...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>498</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=10166</td>\n",
       "      <td>http://loveread.ec/img/photo_books/10166.jpg</td>\n",
       "      <td>Элизабет Гоудж</td>\n",
       "      <td>Книга Маленькая белая лошадка в серебряном све...</td>\n",
       "      <td>…Лунная Долина полнится воспоминаниями о Лунно...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>499</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=10206</td>\n",
       "      <td>http://loveread.ec/img/photo_books/10206.jpg</td>\n",
       "      <td>Кэтрин Коултер</td>\n",
       "      <td>Книга Дикая звезда</td>\n",
       "      <td>С той секунды, как очаровательная Байрони впер...</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "                                        page_url  \\\n",
       "495  http://loveread.ec/view_global.php?id=10138   \n",
       "496  http://loveread.ec/view_global.php?id=10150   \n",
       "497  http://loveread.ec/view_global.php?id=10162   \n",
       "498  http://loveread.ec/view_global.php?id=10166   \n",
       "499  http://loveread.ec/view_global.php?id=10206   \n",
       "\n",
       "                                        image_url           author  \\\n",
       "495  http://loveread.ec/img/photo_books/10138.jpg    Нил Шустерман   \n",
       "496  http://loveread.ec/img/photo_books/10150.jpg  Шеррилин Кеньон   \n",
       "497  http://loveread.ec/img/photo_books/10162.jpg  Бекка Фицпатрик   \n",
       "498  http://loveread.ec/img/photo_books/10166.jpg   Элизабет Гоудж   \n",
       "499  http://loveread.ec/img/photo_books/10206.jpg   Кэтрин Коултер   \n",
       "\n",
       "                                                 title  \\\n",
       "495                                      Книга Громила   \n",
       "496        Книга Дьявол может плакать [= Син и Катра ]   \n",
       "497                                       Книга Тишина   \n",
       "498  Книга Маленькая белая лошадка в серебряном све...   \n",
       "499                                 Книга Дикая звезда   \n",
       "\n",
       "                                            annotation  \n",
       "495  Когда Бронте начинает встречаться с Брюстером ...  \n",
       "496  Месть. Некоторые говорят, что это яд, просачив...  \n",
       "497  Ссоры между Патчем и Норой закончились. Они ра...  \n",
       "498  …Лунная Долина полнится воспоминаниями о Лунно...  \n",
       "499  С той секунды, как очаровательная Байрони впер...  "
      ]
     },
     "execution_count": 31,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "data_3.tail(5)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 34,
   "id": "0f1ea0d3-9845-4550-9d5d-7d4159e4325f",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>page_url</th>\n",
       "      <th>image_url</th>\n",
       "      <th>author</th>\n",
       "      <th>title</th>\n",
       "      <th>annotation</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>0</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=41</td>\n",
       "      <td>http://loveread.ec/img/photo_books/41.jpg</td>\n",
       "      <td>Владимир Набоков</td>\n",
       "      <td>Приглашение на казнь</td>\n",
       "      <td>Это - собрание самых, наверное, странных произ...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>1</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=1166</td>\n",
       "      <td>http://loveread.ec/img/photo_books/1166.jpg</td>\n",
       "      <td>Агата Кристи</td>\n",
       "      <td>Третья девушка</td>\n",
       "      <td>Молодая девушка по имени Норма Рестарик обраща...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>2</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=1187</td>\n",
       "      <td>http://loveread.ec/img/photo_books/1187.jpg</td>\n",
       "      <td>Роджер Желязны</td>\n",
       "      <td>Принеси мне голову Прекрасного принца</td>\n",
       "      <td>Несоврешеннолетний демон Аззи вообразил себя н...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=1289</td>\n",
       "      <td>http://loveread.ec/img/photo_books/1289.jpg</td>\n",
       "      <td>Гарри Гаррисон</td>\n",
       "      <td>Стальную крысу - в президенты !</td>\n",
       "      <td>Великолепный Джим ди Гриз - знаменитый межзвез...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>4</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=1352</td>\n",
       "      <td>http://loveread.ec/img/photo_books/1352.jpg</td>\n",
       "      <td>Юз Алешковский</td>\n",
       "      <td>Рука</td>\n",
       "      <td>Роман Юза Алешковского «Рука» (1977, опубл. 19...</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "</div>"
      ],
      "text/plain": [
       "                                     page_url  \\\n",
       "0    http://loveread.ec/view_global.php?id=41   \n",
       "1  http://loveread.ec/view_global.php?id=1166   \n",
       "2  http://loveread.ec/view_global.php?id=1187   \n",
       "3  http://loveread.ec/view_global.php?id=1289   \n",
       "4  http://loveread.ec/view_global.php?id=1352   \n",
       "\n",
       "                                     image_url            author  \\\n",
       "0    http://loveread.ec/img/photo_books/41.jpg  Владимир Набоков   \n",
       "1  http://loveread.ec/img/photo_books/1166.jpg      Агата Кристи   \n",
       "2  http://loveread.ec/img/photo_books/1187.jpg    Роджер Желязны   \n",
       "3  http://loveread.ec/img/photo_books/1289.jpg    Гарри Гаррисон   \n",
       "4  http://loveread.ec/img/photo_books/1352.jpg    Юз Алешковский   \n",
       "\n",
       "                                   title  \\\n",
       "0                   Приглашение на казнь   \n",
       "1                         Третья девушка   \n",
       "2  Принеси мне голову Прекрасного принца   \n",
       "3        Стальную крысу - в президенты !   \n",
       "4                                   Рука   \n",
       "\n",
       "                                          annotation  \n",
       "0  Это - собрание самых, наверное, странных произ...  \n",
       "1  Молодая девушка по имени Норма Рестарик обраща...  \n",
       "2  Несоврешеннолетний демон Аззи вообразил себя н...  \n",
       "3  Великолепный Джим ди Гриз - знаменитый межзвез...  \n",
       "4  Роман Юза Алешковского «Рука» (1977, опубл. 19...  "
      ]
     },
     "execution_count": 34,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "data_3['title'] = data_3['title'].str.replace(r'^Книга\\s+', '', regex=True)\n",
    "data_3.head(5)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 35,
   "id": "17ce45b0-3a29-45ef-8625-33d2f59570ba",
   "metadata": {},
   "outputs": [],
   "source": [
    "data_main = pd.concat([data_1_2, data_3], ignore_index=True)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 36,
   "id": "08f59813-2436-4c2d-b9c9-1ea3222ffd43",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 3219 entries, 0 to 3218\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    3219 non-null   object\n",
      " 1   image_url   3219 non-null   object\n",
      " 2   author      3219 non-null   object\n",
      " 3   title       3219 non-null   object\n",
      " 4   annotation  3219 non-null   object\n",
      "dtypes: object(5)\n",
      "memory usage: 125.9+ KB\n"
     ]
    }
   ],
   "source": [
    "data_main.info()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 40,
   "id": "748b7773-0cb1-430e-aa89-46836488c35e",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 726 entries, 0 to 725\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    726 non-null    object\n",
      " 1   image_url   726 non-null    object\n",
      " 2   author      726 non-null    object\n",
      " 3   title       726 non-null    object\n",
      " 4   annotation  726 non-null    object\n",
      "dtypes: object(5)\n",
      "memory usage: 28.5+ KB\n"
     ]
    }
   ],
   "source": [
    "data_4 = pd.read_csv('books_1000.csv')\n",
    "data_4.info()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 41,
   "id": "a3078611-6002-42b5-b168-329e8c35fc91",
   "metadata": {},
   "outputs": [],
   "source": [
    "data_main = pd.concat([data_main, data_4], ignore_index=True)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 43,
   "id": "0ce908be-2d12-480d-916c-449c4965f20c",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "RangeIndex: 3945 entries, 0 to 3944\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    3945 non-null   object\n",
      " 1   image_url   3945 non-null   object\n",
      " 2   author      3945 non-null   object\n",
      " 3   title       3945 non-null   object\n",
      " 4   annotation  3945 non-null   object\n",
      "dtypes: object(5)\n",
      "memory usage: 154.2+ KB\n"
     ]
    }
   ],
   "source": [
    "data_main.info()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 42,
   "id": "2f94edbf-16d9-4ed4-bd3b-35d54a9cd594",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/html": [
       "<div>\n",
       "<style scoped>\n",
       "    .dataframe tbody tr th:only-of-type {\n",
       "        vertical-align: middle;\n",
       "    }\n",
       "\n",
       "    .dataframe tbody tr th {\n",
       "        vertical-align: top;\n",
       "    }\n",
       "\n",
       "    .dataframe thead th {\n",
       "        text-align: right;\n",
       "    }\n",
       "</style>\n",
       "<table border=\"1\" class=\"dataframe\">\n",
       "  <thead>\n",
       "    <tr style=\"text-align: right;\">\n",
       "      <th></th>\n",
       "      <th>page_url</th>\n",
       "      <th>image_url</th>\n",
       "      <th>author</th>\n",
       "      <th>title</th>\n",
       "      <th>annotation</th>\n",
       "    </tr>\n",
       "  </thead>\n",
       "  <tbody>\n",
       "    <tr>\n",
       "      <th>7</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10974400</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Свечин Н.</td>\n",
       "      <td>Ледяной ветер Суоми</td>\n",
       "      <td>Немудрено, что кассир крупного банка, уроженец...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>15</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10974399</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Свечин Н.</td>\n",
       "      <td>Ледяной ветер Суоми</td>\n",
       "      <td>Немудрено, что кассир крупного банка, уроженец...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>31</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10893792</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Елена Ивановна Михалкова</td>\n",
       "      <td>Перо бумажной птицы</td>\n",
       "      <td>Пропала девушка. Ее любящая семья нанимает час...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>33</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10871804</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Бочарова Т.А.</td>\n",
       "      <td>Восстание Феникса</td>\n",
       "      <td>Всю жизнь Регина Сергеевна проработала учитель...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>46</th>\n",
       "      <td>https://www.biblio-globus.ru//product/10989481</td>\n",
       "      <td>https://static1.bgshop.ru/imagehandler.ashx?fi...</td>\n",
       "      <td>Корецкий Д.А.</td>\n",
       "      <td>Возвращение не гарантируется</td>\n",
       "      <td>Они познакомились на пустынном ночном шоссе, г...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>...</th>\n",
       "      <td>...</td>\n",
       "      <td>...</td>\n",
       "      <td>...</td>\n",
       "      <td>...</td>\n",
       "      <td>...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3423</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=12245</td>\n",
       "      <td>http://loveread.ec/img/photo_books/12245.jpg</td>\n",
       "      <td>Лилия Белая</td>\n",
       "      <td>Книга Мечта</td>\n",
       "      <td>Что ты будешь делать, когда, попадав в другой ...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3655</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=14473</td>\n",
       "      <td>http://loveread.ec/img/photo_books/14473.jpg</td>\n",
       "      <td>Эмиль Золя</td>\n",
       "      <td>Книга Мечта</td>\n",
       "      <td>Стояла суровая зима 1860 года, Уаза замерзла, ...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3800</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=15496</td>\n",
       "      <td>http://loveread.ec/img/photo_books/15496.jpg</td>\n",
       "      <td>Франц Кафка</td>\n",
       "      <td>Книга Превращение</td>\n",
       "      <td>В настоящий том вошли роман Кафки «Замок», при...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3849</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=16065</td>\n",
       "      <td>http://loveread.ec/img/photo_books/16065.jpg</td>\n",
       "      <td>Келли Армстронг</td>\n",
       "      <td>Книга Пробуждение</td>\n",
       "      <td>Если бы мы встретились несколько недель назад,...</td>\n",
       "    </tr>\n",
       "    <tr>\n",
       "      <th>3933</th>\n",
       "      <td>http://loveread.ec/view_global.php?id=16381</td>\n",
       "      <td>http://loveread.ec/img/photo_books/16381.jpg</td>\n",
       "      <td>Дэй Леклер</td>\n",
       "      <td>Книга Родственные души</td>\n",
       "      <td>Джей Ранделл начала работать в фирме, которая ...</td>\n",
       "    </tr>\n",
       "  </tbody>\n",
       "</table>\n",
       "<p>485 rows × 5 columns</p>\n",
       "</div>"
      ],
      "text/plain": [
       "                                            page_url  \\\n",
       "7     https://www.biblio-globus.ru//product/10974400   \n",
       "15    https://www.biblio-globus.ru//product/10974399   \n",
       "31    https://www.biblio-globus.ru//product/10893792   \n",
       "33    https://www.biblio-globus.ru//product/10871804   \n",
       "46    https://www.biblio-globus.ru//product/10989481   \n",
       "...                                              ...   \n",
       "3423     http://loveread.ec/view_global.php?id=12245   \n",
       "3655     http://loveread.ec/view_global.php?id=14473   \n",
       "3800     http://loveread.ec/view_global.php?id=15496   \n",
       "3849     http://loveread.ec/view_global.php?id=16065   \n",
       "3933     http://loveread.ec/view_global.php?id=16381   \n",
       "\n",
       "                                              image_url  \\\n",
       "7     https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "15    https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "31    https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "33    https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "46    https://static1.bgshop.ru/imagehandler.ashx?fi...   \n",
       "...                                                 ...   \n",
       "3423       http://loveread.ec/img/photo_books/12245.jpg   \n",
       "3655       http://loveread.ec/img/photo_books/14473.jpg   \n",
       "3800       http://loveread.ec/img/photo_books/15496.jpg   \n",
       "3849       http://loveread.ec/img/photo_books/16065.jpg   \n",
       "3933       http://loveread.ec/img/photo_books/16381.jpg   \n",
       "\n",
       "                        author                         title  \\\n",
       "7                    Свечин Н.           Ледяной ветер Суоми   \n",
       "15                   Свечин Н.           Ледяной ветер Суоми   \n",
       "31    Елена Ивановна Михалкова           Перо бумажной птицы   \n",
       "33               Бочарова Т.А.             Восстание Феникса   \n",
       "46               Корецкий Д.А.  Возвращение не гарантируется   \n",
       "...                        ...                           ...   \n",
       "3423               Лилия Белая                   Книга Мечта   \n",
       "3655                Эмиль Золя                   Книга Мечта   \n",
       "3800               Франц Кафка             Книга Превращение   \n",
       "3849           Келли Армстронг             Книга Пробуждение   \n",
       "3933                Дэй Леклер        Книга Родственные души   \n",
       "\n",
       "                                             annotation  \n",
       "7     Немудрено, что кассир крупного банка, уроженец...  \n",
       "15    Немудрено, что кассир крупного банка, уроженец...  \n",
       "31    Пропала девушка. Ее любящая семья нанимает час...  \n",
       "33    Всю жизнь Регина Сергеевна проработала учитель...  \n",
       "46    Они познакомились на пустынном ночном шоссе, г...  \n",
       "...                                                 ...  \n",
       "3423  Что ты будешь делать, когда, попадав в другой ...  \n",
       "3655  Стояла суровая зима 1860 года, Уаза замерзла, ...  \n",
       "3800  В настоящий том вошли роман Кафки «Замок», при...  \n",
       "3849  Если бы мы встретились несколько недель назад,...  \n",
       "3933  Джей Ранделл начала работать в фирме, которая ...  \n",
       "\n",
       "[485 rows x 5 columns]"
      ]
     },
     "execution_count": 42,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "duplicates = data_main[data_main['title'].duplicated(keep=False)]\n",
    "duplicates"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 44,
   "id": "06b29a83-5375-4513-9eee-a164534dc2a7",
   "metadata": {},
   "outputs": [],
   "source": [
    "data_main_no_duplicates = data_main.drop_duplicates(subset='title', keep='first')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 45,
   "id": "6d63e0b8-e22a-4264-909f-d928edad28d1",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<class 'pandas.core.frame.DataFrame'>\n",
      "Index: 3691 entries, 0 to 3944\n",
      "Data columns (total 5 columns):\n",
      " #   Column      Non-Null Count  Dtype \n",
      "---  ------      --------------  ----- \n",
      " 0   page_url    3691 non-null   object\n",
      " 1   image_url   3691 non-null   object\n",
      " 2   author      3691 non-null   object\n",
      " 3   title       3691 non-null   object\n",
      " 4   annotation  3691 non-null   object\n",
      "dtypes: object(5)\n",
      "memory usage: 173.0+ KB\n"
     ]
    }
   ],
   "source": [
    "data_main_no_duplicates.info()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "65c7f96b-6633-4e41-9802-1919e1b554c9",
   "metadata": {},
   "source": [
    "Preproccesing"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 51,
   "id": "e409f07e-3d21-4318-a24a-40dcff1a77e4",
   "metadata": {},
   "outputs": [],
   "source": [
    "url = \"https://raw.githubusercontent.com/stopwords-iso/stopwords-ru/master/stopwords-ru.txt\"\n",
    "stop_words_russian = requests.get(url).text.splitlines()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 52,
   "id": "89a1ff27-3f90-40cd-9eb6-97c13eb00ca1",
   "metadata": {},
   "outputs": [],
   "source": [
    "def clean(text):\n",
    "    text = re.sub(r'([А-Я])', r' \\1', text) # делаем пробел между верхним и нижним регистром(123/473)\n",
    "    text = text.lower() # нижний регистр (194)\n",
    "    text = re.sub(r'[\\w\\.-]+\\.ru', \" \", text) # удаляем сайты (4)\n",
    "    text = re.sub(r'http\\S+', \" \", text) # удаляем ссылки (10/1076)\n",
    "    text = re.sub(r'@\\w+',' ',text) # удаляем упоминания пользователей (1937/1923)\n",
    "    text = re.sub(r'#\\w+', ' ', text) # удаляем хэштеги (10/77/1923)\n",
    "    text = re.sub(r'\\d+', ' ', text) # удаляем числа()\n",
    "    text = text.translate(str.maketrans('', '', string.punctuation))\n",
    "    # Удаление английских слов\n",
    "    text = ' '.join(re.findall(r'\\b[а-яА-ЯёЁ]+\\b', text))\n",
    "    # Удаление стоп-слов\n",
    "    tokens = word_tokenize(text)\n",
    "    text = ' '.join([word for word in tokens if word.lower() not in stop_words_russian])\n",
    "    # text = re.sub(r'<.*?>',' ', text) #\n",
    "    text = re.sub(r'['u'\\U0001F600-\\U0001F64F'\n",
    "                  u'\\U0001F300-\\U0001F5FF'\n",
    "                  u'\\U0001F680-\\U0001F6FF'\n",
    "                  u'\\U0001F1E0-\\U0001F1FF'\n",
    "                  u'\\U00002500-\\U00002BEF'\n",
    "                  u'\\U00002702-\\U000027B0'\n",
    "                  u'\\U000024C2-\\U0001F251'\n",
    "                  u'\\U0001f926-\\U0001f937'\n",
    "                  u'\\U00010000-\\U0010ffff'\n",
    "                    ']+', '', text, flags=re.UNICODE) # удаляем эмоджи(4/1707)\n",
    "    return text"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 54,
   "id": "3e7d68bb-09b8-48c3-875c-eece6f9cb7c3",
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "/tmp/ipykernel_3152/2295399223.py:1: SettingWithCopyWarning: \n",
      "A value is trying to be set on a copy of a slice from a DataFrame.\n",
      "Try using .loc[row_indexer,col_indexer] = value instead\n",
      "\n",
      "See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy\n",
      "  data_main_no_duplicates['cleaned_text'] = data_main_no_duplicates['annotation'].apply(clean)\n"
     ]
    },
    {
     "data": {
      "text/plain": [
       "0       расследование жизни деяний самых опороченных в...\n",
       "1       сыщики макар илюшин сергей бабкин расследуют п...\n",
       "2       генрих самая трагическая фигура английском пре...\n",
       "3       истории трех знаменитых королей обложкой посво...\n",
       "4       первая необычном александры марининой жанре по...\n",
       "                              ...                        \n",
       "3940    ирма повести бизнесплан аспирантки помышляла б...\n",
       "3941    основная идея романа давление обстоятельств жи...\n",
       "3942    небольшой горный пансионат игл нест туристичес...\n",
       "3943    пола привыкла разговоры любви духовном физичес...\n",
       "3944    последняя пристройка крепости мак леннан завер...\n",
       "Name: cleaned_text, Length: 3691, dtype: object"
      ]
     },
     "execution_count": 54,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "data_main_no_duplicates['cleaned_text'] = data_main_no_duplicates['annotation'].apply(clean)\n",
    "data_cleaned = data_main_no_duplicates['cleaned_text']\n",
    "data_cleaned"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 55,
   "id": "b7ddc1cf-6824-4b6c-9364-0f14327c96b8",
   "metadata": {},
   "outputs": [],
   "source": [
    "morph = pymorphy3.MorphAnalyzer()"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 58,
   "id": "c4fc3c3e-92a6-4853-a399-f7ef4669b70c",
   "metadata": {},
   "outputs": [],
   "source": [
    "def lemmatize_batch(texts, batch_size=1000):\n",
    "    \"\"\"Лемматизация текста по батчам для ускорения.\"\"\"\n",
    "    lemmatized_texts = []\n",
    "    for i in tqdm(range(0, len(texts), batch_size)):\n",
    "        batch = texts[i:i+batch_size]\n",
    "        lemmatized_batch = [' '.join([morph.parse(word)[0].normal_form for word in text.split()]) for text in batch]\n",
    "        lemmatized_texts.extend(lemmatized_batch)\n",
    "    return lemmatized_texts\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 59,
   "id": "caff9227-3d13-49f4-898a-781fd3283d2a",
   "metadata": {},
   "outputs": [
    {
     "name": "stderr",
     "output_type": "stream",
     "text": [
      "100%|█████████████████████████████████████████████| 4/4 [00:20<00:00,  5.15s/it]\n",
      "/tmp/ipykernel_3152/3826416347.py:1: SettingWithCopyWarning: \n",
      "A value is trying to be set on a copy of a slice from a DataFrame.\n",
      "Try using .loc[row_indexer,col_indexer] = value instead\n",
      "\n",
      "See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy\n",
      "  data_main_no_duplicates['lemmatized_text'] = lemmatize_batch(data_main_no_duplicates['cleaned_text'].tolist())\n"
     ]
    }
   ],
   "source": [
    "data_main_no_duplicates['lemmatized_text'] = lemmatize_batch(data_main_no_duplicates['cleaned_text'].tolist())"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 61,
   "id": "f9271faa-f093-4f7c-9944-f822765f538c",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "0       расследование жизнь деяние самый опорочить воз...\n",
       "1       сыщик макар илюшин сергей бабкин расследовать ...\n",
       "2       генрих самый трагический фигура английский пре...\n",
       "3       история три знаменитый король обложка посвоему...\n",
       "4       первый необычный александра маринин жанр попул...\n",
       "                              ...                        \n",
       "3940    ирма повесть бизнесплан аспирантка помышлять б...\n",
       "3941    основный идея роман давление обстоятельство жи...\n",
       "3942    небольшой горный пансионат игла несть туристич...\n",
       "3943    пол привыкнуть разговор любовь духовный физиче...\n",
       "3944    последний пристройка крепость мак леннана заве...\n",
       "Name: lemmatized_text, Length: 3691, dtype: object"
      ]
     },
     "execution_count": 61,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "data_main_no_duplicates['lemmatized_text']"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "1158703d-4ebe-4a18-93d2-ef412363deb2",
   "metadata": {},
   "outputs": [],
   "source": [
    "data_main_no_duplicates['lemmatized_text'].to_csv('lemmatized_data')"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "f540af02-2165-4138-b77c-88d0ef89cd3a",
   "metadata": {},
   "source": [
    "Убрать из названия знаки препинания"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "5cc96e83-9893-4dd7-ba86-c466d6fcebf0",
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.10.13"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}