SoLiXG:Greece’s recovery and resilience plan

Word Frequency

Most frequent words

Caption text

GR

EN

('κόστους', 1013) ('επενδύσεων', 912) ('Μέρος', 830) ('μεταρρυθμίσεων', 722) ('Ανάκαμψης', 673) ('(ID:', 638) ('επενδύσεις', 622) ('εφαρμογή', 615) ('σχεδίου', 612) ('Ανθεκτικότητας', 556) ('ανάπτυξη', 497) ('κόστος', 491) ('Άξονα', 484) ('Περιγραφή', 476) ('μεταρρυθμίσεις', 445) ('εργασίας', 437) ('συστήματος', 416) ('τομέα', 409) ('βελτίωση', 371) ('Άξονας', 355) ('Συμπληρωματικότητα', 353) ('δεδομένων', 334) ('μεταρρύθμιση', 329) ('πλαίσιο', 319) ('αύξηση', 313) ('υπηρεσιών', 313) ('Σχέδιο', 313) ('στόχο', 310) ('Ελλάδα', 306) ('περιλαμβάνει', 306) ('ενίσχυση', 299) ('Μεταρρύθμιση', 295) ('Σχεδίου', 293) ('αναβάθμιση', 285) ('Επένδυση', 285) ('αγορά', 279) ('επίσης', 277) ('συνολικού', 275) ('ψηφιακών', 266) ('Επιπλέον,', 265) ('ψηφιακό', 251) ('επένδυση', 249) ('οικονομίας', 248) ('έργο', 246) ('αξιολόγηση', 240) ('έργων', 239) ('ΕΕ', 237) ('στόχους', 234) ('υπηρεσίες', 232) ('σύστημα', 231) ('έργου', 230) ('δημιουργία', 230) ('έργα', 229) ('ανάλυση', 225) ('μετασχηματισμός', 224) ('συστημάτων', 224) ('Ολοκλήρωση', 224) ('σχετικών', 222) ('εκτίμηση', 218) ('Ορόσημο', 217) ('χώρας', 216) ('μείωση', 216) ('προώθηση', 214) ('στοχεύει', 211) ('χρήση', 208) ('ενέργειας', 208) ('τρίμην', 207) ('αφορά', 205) ('βάση', 203) ('ανάπτυξης', 201) ('στοιχείων', 200) ('νέων', 199) ('διαχείρισης', 198) ('Ψηφιακός', 197) ('προσέγγιση', 197) ('προκλήσεις', 196) ('πρέπει', 194) ('δεξιοτήτων', 190) ('επιχειρήσεων', 189) ('αντιμετώπιση', 188) ('ανάλυσης', 188) ('σχετίζονται', 184) ('πληροφοριών', 180) ('κατάρτισης', 177) ('πολιτικές', 177) ('προστασία', 177) ('παροχή', 176) ('Στόχος', 174) ('μετασχηματισμό', 174) ('αγοράς', 173) ('περιλαμβάνονται', 172) ('2020', 170) ('ελέγχου', 170) ('ΑΕΠ', 167) ('αρχές', 165) ('υγείας', 164) ('αναμένεται', 163) ('στόχοι', 161) ('σύμφωνα', 161) ('Ταμείου', 160) ('εκπαίδευσης', 160) ('εφαρμογής', 160)

('costs', 1013) ('investments', 912) ('Part', 830) ('reforms', 722) ('Recovery', 673) ('(ID:', 638) ('Investment', 622) ('Implementation', 615) ('Plan', 612) ('Resilience', 556) ('development', 497) ('cost', 491) ('Axis', 484) ('Description', 476) ('reforms', 445) ('labour', 437) ('system', 416) ('sector', 409) ('improvement', 371) ('Axis', 355) ('Complementarity', 353) ('data', 334) ('reform', 329) ('Framework', 319) ('Increase', 313) ('services', 313) ('Plan', 313) ('target', 310) ('Greece', 306) ('includes', 306) ('aid', 299) ('Reform', 295) ('Plan', 293) ('upgrade', 285) ('Investment', 285) ('Purchase', 279) ('also', 277) ('total', 275) ('digital', 266) ('In addition,', 265) ('digital', 251) ('investment', 249) ('economy', 248) ('project', 246) ('evaluation', 240) ('projects', 239) ('EU', 237) ('EU', 237) ('objectives', 234) ('services', 232) ('system', 231) ('project', 230) ('creation', 230) ('projects', 229) ('analysis', 225) ('transformation', 224) ('systems', 224) ('Integration', 224) ('related', 222) ('assessment', 218) ('Milestone', 217) ('country', 216) ('reduction', 216) ('promotion', 214) ('target', 211) ('use', 208) ('energy', 208) ('quarter', 207) ('concerns', 205) ('basis', 203) ('development', 201) ('data', 200) ('new', 199) ('management', 198) ('Digital', 197) ('Approach', 197) ('Challenges', 196) ('must', 194) ('skills', 190) ('business', 189) ('tackling', 188) ('analysis', 188) ('related', 184) ('information', 180) ('training', 177) ('policies', 177) ('protection', 177) ('provision', 176) ('Objective', 174) ('transformation', 174) ('market', 173) ('included', 172) ('2020', 170) ('control', 170) ('GDP', 167) ('authorities', 165) ('health', 164) ('expected', 163) ('targets', 161) ('according to', 161) ('Fund', 160) ('education', 160) ('implementation', 160)

Script

<syntaxhighlight lang="python"> import re

from wordfreq import word_frequency

1. this is a script to find the most frequent words in a textfile

lines = open('gr-policy.txt', 'r') text=lines.read() text_list=text.replace('\n', ' ').split(".")

lines.close()

sep_words=[] new_list=[] all_freq={}

frequency={} with open("output.txt", "a") as f:    for l in text_list:        for w in l.split():            sep_words.append(w)    for word in sep_words:        freq = sep_words.count(word)        frequency={word:freq}        all_freq.update(frequency)                # all_freq.append(frequency)    new_list=sorted(all_freq.items(), key=lambda item: item[1], reverse=True )    print(*new_list, sep = "\n", file=f)

</syntaxhighlight>