紹介: 14万以上の頭字語が、科学、技術、バイオ、未来志向のサブレディットから抽出されました。これはPRAWを使って行われ、.csvファイルにまとめられました。このデータセットはもともと学習ツールとして抽出され、pandasのグルーピング、可視化、カウントベースの時系列を説明するために使われました。データセットが十分に洗練されれば、予測に使うことも可能かもしれません。 データ取得（コードブック）: PRAW（Python3のライブラリ）[スクリプト][gitリンク]を使って、手動で選択されたサブレディットのリストからデータを抽出しました。科学と技術をテーマとしたサブレディットに焦点を当てました。これらは一般的に質の高いコンテンツを持っている傾向があるからです。リストを拡充するために、[サブレディットグラフエクスプローラー][グラフエクスプローラー]を使って、科学/技術のサブレディットネットワークをよりよく把握しました。サブレディットは以下の基準に従って除外されました: (1) 投稿数および/またはユーザー数が少なすぎる。 (2) あまりにも専門的、狭い分野、またはより大きなサブレディットのサブセットである（例: ペニーストックは、コンテンツの範囲に関して、ストックのサブセットである）。 (3) 内容が風刺的、政治的、または強い感情が込められている（例: pcmasterrace）。 これらのポイントのいくつかは人間の解釈に依存しており、データにバイアスをもたらす可能性があります。選択されたサブレディットのリストについては、*subreddit.txt*ファイルを参照してください。各サブレディットについて、最大1000件の投稿のコメントツリーが完全に取得され、各コメントが3〜7文字の頭字語についてスキャンされました。関連する情報がまとめられ、csvファイルに書き込まれました。データテーブルの形式は以下の通りです: **commID:** レディットのコメントID *(36進数の整数) (主キー)* **time:** 頭字語が言及されたコメントのUnixシステムタイムスタンプ。*(浮動小数点数)* **user:** コメントを投稿したユーザー名。*(文字列)* **subreddit:** 頭字語が出現するサブレディットの名前。*(文字列)* **acronym:** その用語自体。*(文字列)* データ統計と事実: 詳細については、[カーネル][カーネル分析]を参照してください。 参考文献: このデータセットを引用するには、以下の情報を使用してください: al - Baroudi, S. (2019年6月). Reddit Sci/Tech Acronyms Dataset, Version 1. 取得日 (現在の日付) [グラフエクスプローラー]:https://anvaka.github.io/sayit/?query= [カーネル分析]: https://www.kaggle.com/salbaroudi/dataset-cleaning-usage-basic-analysis [gitリンク]: https://github.com/salbaroudi/RedditAnalytics/blob/master/src/prawscrape/prawpull.py