Task02——零基础入门NLP - 新闻文本分类之数据读取与分析

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：

1. 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；
2. 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；
3. 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：

1. 每个新闻平均字符个数较多，可能需要截断；
2. 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

1. 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？
2. 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。