{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Zajęcia 5: Analiza morfologiczna (Morphological Analysis)\n",
    "\n",
    "Wszystkie zadania ćwiczeniowe należy rozwiązywać w języku Python w kopii Jupyter Notebook'a dla danych zajęć w wyznaczonych miejscach (komórki z komentarzem `# Solution`).\n",
    "\n",
    "Nie należy usuwać komórek z treścią zadań.\n",
    "\n",
    "Należy wyświetlać outputy przy pomocy `print`"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Zadanie 1 \n",
    "\n",
    "Zaimplementuj algorytm Portera dla języka angielskiego (dokładne kroki są opisane tutaj https://vijinimallawaarachchi.com/2017/05/09/porter-stemming-algorithm/). Funkcja musi przyjmować słowo i zwracać jego rdzeń (stem). Przetestuj program na podanych przykładowych słowach oraz na minimum 3 własnoręcznie wybranych słowach. Funkcja musi uwzględniać wielkość liter w podanym słowie.\n",
    "\n",
    "W celu efektywnego rozwiązania zadania wykonaj następujące kroki:\n",
    "1. Zdefiniuj pojedyncze zadania znajdujące się w algorytmie Portera.\n",
    "2. Przygotuj puste funkcje wykonujące zadania z kroku nr 1.\n",
    "3. Napisz kod w funkcjach z kroku nr 2.\n",
    "4. Uzupełnij kod w funkcji stem_word, która powinna wywoływać napisane funkcje."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Algorytm Portera składa się z następujących zadań:"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "(tu wypisz zadania)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Funkcje realizujące zadania:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "# Solution 1"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "def stem_word(word):\n",
    "    return word"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Testy (należy dodać minimum 3 własne przypadki)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 10,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Słowo: MULTIDIMENSIONAL\n",
      "Po wykonaniu algorytmu Portera: MULTIDIMENSIONAL\n",
      "\n",
      "Słowo: CHARACTERIZATION\n",
      "Po wykonaniu algorytmu Portera: CHARACTERIZATION\n",
      "\n",
      "Słowo: Erroneous\n",
      "Po wykonaniu algorytmu Portera: Erroneous\n",
      "\n",
      "Słowo: oBvIoUsLy\n",
      "Po wykonaniu algorytmu Portera: oBvIoUsLy\n",
      "\n",
      "Słowo: happiness\n",
      "Po wykonaniu algorytmu Portera: happiness\n",
      "\n"
     ]
    }
   ],
   "source": [
    "print(f\"Słowo: MULTIDIMENSIONAL\\nPo wykonaniu algorytmu Portera: {stem_word('MULTIDIMENSIONAL')}\\n\")\n",
    "print(f\"Słowo: CHARACTERIZATION\\nPo wykonaniu algorytmu Portera: {stem_word('CHARACTERIZATION')}\\n\")\n",
    "print(f\"Słowo: Erroneous\\nPo wykonaniu algorytmu Portera: {stem_word('Erroneous')}\\n\")\n",
    "print(f\"Słowo: oBvIoUsLy\\nPo wykonaniu algorytmu Portera: {stem_word('oBvIoUsLy')}\\n\")\n",
    "print(f\"Słowo: happiness\\nPo wykonaniu algorytmu Portera: {stem_word('happiness')}\\n\")"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "base",
   "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": "3.11.5"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}