https://github.com/noopeeks/dades-assemblea-clima

Anàlisi de les dades obtingudes a les Assemblees Ciutadanes pel Clima de Catalunya i de Barcelona. Estudi fet amb models de machine learning de topic modeling per obtenir els tòpics de les propostes i entendre quins tòpics climàtics interessen i preocupen més a la ciutadania catalana.
https://github.com/noopeeks/dades-assemblea-clima

data-science machine-learning notebook python topic-modeling

Last synced: 9 months ago
JSON representation

Anàlisi de les dades obtingudes a les Assemblees Ciutadanes pel Clima de Catalunya i de Barcelona. Estudi fet amb models de machine learning de topic modeling per obtenir els tòpics de les propostes i entendre quins tòpics climàtics interessen i preocupen més a la ciutadania catalana.

• Host: GitHub
• URL: https://github.com/noopeeks/dades-assemblea-clima
• Owner: NoOPeEKS
• License: mit
• Created: 2024-02-27T14:50:16.000Z (over 2 years ago)
• Default Branch: master
• Last Pushed: 2024-06-05T11:03:12.000Z (about 2 years ago)
• Last Synced: 2024-06-06T10:52:11.464Z (about 2 years ago)
• Topics: data-science, machine-learning, notebook, python, topic-modeling
• Language: HTML
• Homepage:
• Size: 27.4 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

          
dades_assemblea_clima

==============================

Anàlisi i modelatge de les dades open-source de l'Assemblea Ciutadana pel Clima de Catalunya i de Barcelona.

## Resum

Aquest projecte conté les dades extretes sobre les propostes fetes a [l'Assemblea Ciutadana pel Clima de Catalunya](https://participa.gencat.cat/processes/assembleaclima) i a [l'Assemblea Ciutadana pel Clima de Barcelona](https://www.decidim.barcelona/processes/AssembleaClima).

S'ha realitzat un anàlisi de les dades i un posterior tractament per aplicar diversos models de Topic Modeling.

## Objectiu

Detectar de forma automàtica els tòpics de cada proposta i entendre quins són els tòpics que més interès i preocupació generen a la ciutadania mitjançant la interacció rebuda i l'estat d'aprovació de cada proposta.

## Estudi

Es pot trobar el report de l'estudi al fitxer [Decidim_Analysis.pdf](./reports/Decidim_Analysis.pdf) on es descriu tot el procés i les conclusions obtingudes.

## Estructura del projecte

------------

    ├── LICENSE

    ├── Makefile           <- Makefile with commands like `make data` or `make train`

    ├── README.md          <- The top-level README for developers using this project.

    ├── data

    │   ├── external       <- Data from third party sources.

    │   ├── interim        <- Intermediate data that has been transformed.

    │   ├── processed      <- The final, canonical data sets for modeling.

    │   └── raw            <- The original, immutable data dump.

    │

    ├── docs               <- A default Sphinx project; see sphinx-doc.org for details

    │

    ├── models             <- Trained and serialized models, model predictions, or model summaries

    │

    ├── notebooks          <- Jupyter notebooks. Naming convention is a number (for ordering),

    │                         the creator's initials, and a short `-` delimited description, e.g.

    │                         `1.0-jqp-initial-data-exploration`.

    │

    ├── references         <- Data dictionaries, manuals, and all other explanatory materials.

    │

    ├── reports            <- Generated analysis as HTML, PDF, LaTeX, etc.

    │   └── figures        <- Generated graphics and figures to be used in reporting

    │

    ├── requirements.txt   <- The requirements file for reproducing the analysis environment, e.g.

    │                         generated with `pip freeze > requirements.txt`

    │

    ├── setup.py           <- makes project pip installable (pip install -e .) so src can be imported

    ├── src                <- Source code for use in this project.

    │   ├── __init__.py    <- Makes src a Python module

    │   │

    │   ├── data           <- Scripts to download or generate data

    │   │   └── make_dataset.py

    │   │

    │   ├── features       <- Scripts to turn raw data into features for modeling

    │   │   └── build_features.py

    │   │

    │   ├── models         <- Scripts to train models and then use trained models to make

    │   │   │                 predictions

    │   │   ├── predict_model.py

    │   │   └── train_model.py

    │   │

    │   └── visualization  <- Scripts to create exploratory and results oriented visualizations

    │       └── visualize.py

    │

    └── tox.ini            <- tox file with settings for running tox; see tox.readthedocs.io

--------