天池赛-新闻文本分类-day02

最新推荐文章于 2024-10-18 00:00:00 发布

小白逆袭记

最新推荐文章于 2024-10-18 00:00:00 发布

阅读量164

点赞数

文章标签： python 数据分析

本文链接：https://blog.csdn.net/Big_Older/article/details/107525019

版权

数据读取

import pandas as pd
train_df = pd.read_csv('../data/train_set.csv', sep='\t', nrows=100)

# 查看基本信息,label text
train_df.head()

句子长度分析

%pylab inline
train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
print(train_df['text_len'].describe())

对新闻句子的统计可以得出，本次赛题给定的文本比较长，每个句子平均由907个字符构成，最短的句子长度为2，最长的句子长度为57921。

_ = plt.hist(train_df['text_len'], bins=200)
plt.xlabel('Text char count')
plt.title("Histogram of char count")

绘制直方图,可见大部分句子的长度都集中在2000以内

train_df['label'].value_counts().plot(kind='bar')
plt.title('News class count')
plt.xlabel("category")

绘制直方图,统计每个类别的新闻的种类
从统计结果可以看出，赛题的数据集类别分布存在较为不均匀的情况。在训练集中科技类新闻最多，其次是股票类新闻，最少的新闻是星座新闻。

字符分布统计

from collections import Counter
all_lines = ' '.join(list(train_df['text']))
word_count = Counter(all_lines.split(" "))
word_count = sorted(word_count.items(), key=lambda d:d[1], reverse = True)

from collections import Counter
train_df['text_unique'] = train_df['text'].apply(lambda x: ' '.join(list(set(x.split(' ')))))
all_lines = ' '.join(list(train_df['text_unique']))
word_count = Counter(all_lines.split(" "))
word_count = sorted(word_count.items(), key=lambda d:int(d[1]), reverse = True)