import spacy

# Загрузка многоязычной модели для spaCy
nlp = spacy.load("xx_ent_wiki_sm")

# Текст для анализа
text = "Иван и Марья Ивановна были в парке. Петр и Ирина пошли в магазин."

# Применяем spaCy для анализа текста
doc = nlp(text)

# Выделяем имена собственные (на основе модели NER)
persons = []

for ent in doc.ents:
    if ent.label_ == "PERSON":
        persons.append(ent.text)

# Выводим имена собственные
print("Найденные имена собственные:", persons)

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity
import nltk
from nltk.corpus import stopwords
import pymorphy3
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# Загрузка стоп-слов для русского языка
nltk.download('stopwords')
russian_stopwords = stopwords.words('russian')

# Чтение файла
with open(path_to_text_file, 'r', encoding='utf-8') as file:
    text_data = file.readlines()

# Объединение текста в один большой текст для анализа
full_text = ' '.join(text_data)

# Создание экземпляра морфологического анализатора
morph = pymorphy3.MorphAnalyzer()

# Разделение текста на слова
words = full_text.split()

# Поиск имен собственных с использованием pymorphy3
proper_nouns = set()
for word in words:
    parsed_word = morph.parse(word)[0]
    if 'Name' in parsed_word.tag:  # Проверка, является ли слово именем собственным
        proper_nouns.add(word)

# Выводим найденные имена собственные таблицей
proper_nouns_df = pd.DataFrame(list(proper_nouns), columns=["Имена собственные"])
print("\nНайденные имена собственные:")
print(proper_nouns_df)

import numpy as np
import matplotlib.pyplot as plt
# Метод Монте Карло
# Количество точек для симуляции
num_points = 10000

# Генерация случайных точек в квадрате [0, 1] x [0, 1]
x = np.random.uniform(0, 1, num_points)
y = np.random.uniform(0, 1, num_points)

# Определение, попадает ли точка в круг (радиус = 1, центр = (0, 0))
inside_circle = x**2 + y**2 <= 1

# Оценка числа π
pi_estimate = 4 * np.sum(inside_circle) / num_points

# Графическое отображение
plt.figure(figsize=(8, 8))
plt.scatter(x, y, c=inside_circle, cmap='coolwarm', s=1, label='Точки')
circle = plt.Circle((0, 0), 1, color='blue', fill=False, linewidth=2, label='Круг радиусом 1')
plt.gca().add_artist(circle)
plt.title(f'Оценка числа π методом Монте-Карло\nЧисло точек: {num_points}, π ≈ {pi_estimate:.4f}')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.axis('equal')
plt.show()

import os
import pandas as pd
import markovify
from tqdm import tqdm

# Папка с текстами
folder_path = "data"

# Чтение текстовых файлов в один DataFrame
files = [f for f in os.listdir(folder_path) if f.endswith(".txt")]

# Создаем список для хранения данных
data = []

# Чтение каждого файла и добавление в DataFrame
for file in tqdm(files, desc="Чтение файлов"):
    with open(os.path.join(folder_path, file), 'r', encoding='utf-8') as f:
        text = f.read().lower()  # Приводим текст к нижнему регистру
        data.append({'id': os.path.splitext(file)[0], 'text': text})

# Создаем DataFrame
df_texts = pd.DataFrame(data)

# Объединяем все тексты в один
all_text = " ".join(df_texts['text'])

# Строим марковскую модель
# Используем прогресс-бар для анализа текста
print("Создание марковской цепи...")
text_model = markovify.Text(all_text, state_size=2)

# Функция для генерации фразы
def generate_phrase(model, length=10):
    phrase = []
    current_sentence = model.make_sentence()
    if not current_sentence:
        return ""
    
    phrase.append(current_sentence)
    
    # Генерация дополнительных фраз
    for _ in range(length - 1):
        current_sentence = model.make_sentence()
        if not current_sentence:
            break
        phrase.append(current_sentence)
    
    return " ".join(phrase)

# Пример генерации фразы
generated_phrase = generate_phrase(text_model, length=10)
print("Generated phrase:", generated_phrase)