本章主要内容为数据读取和数据分析,具体使用Pandas
库完成数据读取操作,并对赛题数据进行分析构成。
赛题数据虽然是文本数据,每个新闻是不定长的,但任然使用csv格式进行存储。因此可以直接用Pandas
完成数据读取的操作。
import pandas as pd train_df = pd.read_csv('../input/train_set.csv', sep='\t', nrows=100)
这里的read_csv
由三部分构成:
-
读取的文件路径,这里需要根据改成你本地的路径,可以使用相对路径或绝对路径;
-
分隔符
sep
,为每列分割的字符,设置为\t
即可; -
读取行数
nrows
,为此次读取文件的函数,是数值类型(由于数据集比较大,建议先设置为100);
数据分析
在读取完成数据集后,我们还可以对数据集进行数据分析的操作。虽然对于非结构数据并不需要做很多的数据分析,但通过数据分析还是可以找出一些规律的。
此步骤我们读取了所有的训练集数据,在此我们通过数据分析希望得出以下结论:
- 赛题数据中,新闻文本的长度是多少?
- 赛题数据的类别分布是怎么样的,哪些类别比较多?
- 赛题数据中,字符分布是怎么样的?
句子长度分析
在赛题数据中每行句子的字符使用空格进行隔开&#x