数据读取
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。
1
import pandas as pd
2
train_df = pd.read_csv(’…/data/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);
1
train_df.head()
2:
, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
label text
0 2 2967 6758 339 2021 1854 3731 4109 3792 4149 15…
1 11 4464 486 6352 5619 2465 4802 1452 3137 5778 54…
2 3 7346 4068 5074 3747 5681 6093 1777 2226 7354 6…
3 2 7159 948 4866 2109 5520 2490 211 3956 5520 549…
4 3 3646 3055 3055 2490 4659 6065 3370 5814 2465 5…
,
上图是读取好的数据,是表格的形式。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:
1
%pylab inline
2
train_df[‘text_len’] = train_df[‘text’].apply(lambda x: len(x.split(’ ')))
3
print(train_df[‘text_len’].describe())
Populating the interactive namespace from numpy and matplotlib
count 100.000000
mean 872.320000
std 923.138191
min 64.000000
25% 359.500000
50% 598.000000
75% 1058.000000
max 7125.000000
Name: text_len, dtype: float64
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。
1
_ = plt.hist(train_df[‘text_len’], bins=200)
2
plt.xlabel(‘Text char count’)
3
plt.title(“Histogram of char count”)
4:
Text(0.5, 1.0, ‘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。
1
train_df[‘label’].value_counts().plot(kind=‘bar’)
2
plt.title(‘News class count’)
3
plt.xlabel(“category”)
[5]:
Text(0.5, 0, ‘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。
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。
1
from collections import Counter
2
all_lines = ’ '.join(list(train_df[‘text’]))
3
word_count = Counter(all_lines.split(" "))
4
word_count = sorted(word_count.items(), key=lambda d:d1, reverse = True)
5
6
print(len(word_count))
7
8
print(word_count[0])
9
10
print(word_count[-1])
2405
(‘3750’, 3702)
(‘5034’, 1)
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。
1
from collections import Counter
2
train_df[‘text_unique’] = train_df[‘text’].apply(lambda x: ’ ‘.join(list(set(x.split(’ ')))))
3
all_lines = ’ '.join(list(train_df[‘text_unique’]))
4
word_count = Counter(all_lines.split(" "))
5
word_count = sorted(word_count.items(), key=lambda d:int(d1), reverse = True)
6
7
print(word_count[0])
8
9
print(word_count1)
10
11
print(word_count2)
(‘900’, 99)
(‘3750’, 99)
(‘648’, 96)
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;
Image
居中的图片:
居中并且带尺寸的图片:
当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。
如何插入一段漂亮的代码片
去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片
.
// An highlighted block
var foo = 'bar';
生成一个适合你的列表
- 项目
- 项目
- 项目
- 项目
- 项目1
- 项目2
- 项目3
- 计划任务
- 完成任务
创建一个表格
一个简单的表格是这么创建的:
项目 | Value |
---|---|
电脑 | $1600 |
手机 | $12 |
导管 | $1 |
设定内容居中、居左、居右
使用:---------:
居中
使用:----------
居左
使用----------:
居右
第一列 | 第二列 | 第三列 |
---|---|---|
第一列文本居中 | 第二列文本居右 | 第三列文本居左 |