本期目标
- 学习使用
Pandas
读取赛题数据 - 分析赛题数据的分布规律
数据读取
import pandas as pd
train_df=pd.read_csv('./train_set.csv/train_set.csv',sep='\t',nrows=100)
train_df.head()
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); - .head()是显示前几个数据(如下图所示),第一列为新闻的类别,第二列为新闻的字符。
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,所以可以直接统计单词的个数来得到每个句子的长度。统计并如下:
首先train_df是一个dataframe对象,每一列都是series对象,apply表示应用某个函数,第一个参数为函数,此处为lambda匿名函数,第二个参数axis=0(默认),对列处理,所以该函数为对每列的值进行split变成一个list的列表,然后求lenth,即可获得,每行的单词数量
#新闻文本长度是多少??开始进行句子长度分析
#%pylab inline 的主要含义就是你画图可以显示在notebook页面上。
%pylab inline
train_df['text_len']=train_df['text'].apply(lambda x:len(x.split(' ')))
print(train_df['text_len'].describe())
输出结果如下图:
此处需要注意,把数据读取时的nrows=100去掉,因为我们要对整个数据集分析。
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。
下图将句子长度绘制了直方图,可见大部分句子的长度都几种在2000以内。
#绘制直方图
_ =plt.hist(train_df['text_len'],bins=200)
plt.xlabel('Text char count')
plt.title("Histogram of char count")
新闻类别分布
接下来可以对数据集的类别进行分布统计,具体统计每类新闻的样本个数。
#统计每类新闻的样本个数
train_df['label'].value_counts().plot(kind='bar')
plt.title('News class count')
plt.xlabel("category")
在数据集中标签的对应的关系如下:{'科技': 0, '股票': 1, '体育': 2, '娱乐': 3, '时政': 4, '社会': 5, '教育': 6, '财经': 7, '家居': 8, '游戏': 9, '房产': 10, '时尚': 11, '彩票': 12, '星座': 13}
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
接下来可以统计每个字符出现的次数,首先可以将训练集中所有的句子进行拼接进而划分为字符,并统计每个字符的个数。
#统计每个字符出现的次数
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)
#这个鉴于数据集较大,我就直接给出结果了
print(len(word_count))
#6869
print(word_count[0])
#('3750',7482224)
print(word_count[-1])
#('3133',1)
从统计结果中可以看出,在训练集中总共包括6869个字,其中编号3750的字出现的次数最多,编号3133的字出现的次数最少。
这里还可以根据字在每个句子的出现情况,反推出标点符号。下面代码统计了不同字符在句子中出现的次数,其中字符3750,字符900和字符648在20w新闻的覆盖率接近99%,很有可能是标点符号。
#统计字符在句子中出现的次数
#同样的问题,join一个list?
train_df['text_unique']=train_df['text'].apply(lambda x:' '.join(list(set(x.split(" ")))))
#join一个集合,会变成一个字符串
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)
print(word_count[0])
#('3750',197997)
print(word_count[1])
#('900',197653)
print(word_count[2])
#('648',191975)
数据分析的结论
通过上述分析我们可以得出以下结论:
- 赛题中每个新闻包含的字符个数平均为1000个,还有一些新闻字符较长;
- 赛题中新闻类别分布不均匀,科技类新闻样本量接近4w,星座类新闻样本量不到1k;
- 赛题总共包括7000-8000个字符;
通过数据分析,我们还可以得出以下结论:
- 每个新闻平均字符个数较多,可能需要截断;
- 由于类别不均衡,会严重影响模型的精度;
本章小结
本章对赛题数据进行读取,并新闻句子长度、类别和字符进行了可视化分析。
本章作业
- 假设字符3750,字符900和字符648是句子的标点符号,请分析赛题每篇新闻平均由多少个句子构成?
- 统计每类新闻中出现次数对多的字符
本次主要还是参考DataWhale给出的解析,自己在notebook上进行实现,明天会对这里面的一些我也疑惑的函数进行解释,同时完成本章作业。