Leesbaarheid van verschillende publicaties

In deze oefening krijg je fragmenten uit artikelen van vier publicaties. Je taak is om de leesbaarheid van deze fragmenten te berekenen met de Gunning Fog-score en zo de relatieve moeilijkheid van deze publicaties te bepalen.

De fragmenten zijn beschikbaar als de volgende strings:

forbes - Een fragment uit een artikel uit het tijdschrift Forbes over het Chinese social credit-systeem.
harvard_law - Een fragment uit een boekrecensie gepubliceerd in de Harvard Law Review.
r_digest - Een fragment uit een artikel van Reader's Digest over turbulentie tijdens vluchten.
time_kids - Een fragment uit een artikel over de schadelijke effecten van zoutconsumptie, gepubliceerd in TIME for Kids.

Deze oefening maakt deel uit van de cursus

Feature Engineering voor NLP in Python

Cursus bekijken

Oefeninstructies

Importeer de klasse Readability uit readability.
Bereken het gf-object voor elk excerpt met de methode gunning_fog() op Readability.
Bereken de Gunning Fog-score met het attribuut score.
Print de lijst met Gunning Fog-scores.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import Readability
from readability import Readability

# List of excerpts
excerpts = [forbes, harvard_law, r_digest, time_kids]

# Loop through excerpts and compute gunning fog index
gunning_fog_scores = []
for excerpt in excerpts:
  gf = Readability(excerpt).____()
  gf_score = gf.____
  gunning_fog_scores.append(gf_score)
  
# Print the gunning fog indices
print(gunning_fog_scores)

Code bewerken en uitvoeren