句子长度分析
统计单词个数得到每个句子的长度
%pylab inline
train_df['len']=train_df['text'].apply(lambda x:len(x.split(' ')))
print(train_df['len'].describe())
![](https://img-blog.csdnimg.cn/img_convert/0958bbfeabb80665058e3c8837ea64b9.png)
将句子长度绘制成直方图,可见大部分句子长度集中在2000以内
#直方图可以描绘数据分布的大概情况。多个区间,统计区间类样本数量。
import matplotlib.pyplot as plt
plt.hist(train_df['len'],bins=20)
plt.title('len of news')
![](https://img-blog.csdnimg.cn/img_convert/7cba21b30c54c53cf1af57333a5d1b59.png)
新闻类别分布
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")
![](https://img-blog.csdnimg.cn/img_convert/9dd52449a9b5d21183438093bc29863c.png)
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
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。
#字符统计并排序
from collections import Counter
#首先将所有句子拼接,再统计字符数量
all_lines = ' '.join(list(train_df['text']))
word_count = Counter(all_lines.split(" "))
#对字典排序需要将字典的键值对取出后,使用匿名函数进行排序
word_count = sorted(word_count.items(), key=lambda d:d[1], reverse = True) #items()将字典中的键值对以元组的形式存储,并将元组存储在列表中。labmda d:d[1]对字典的值进行排序
print(len(word_count))
print(word_count[0])
print(word_count[-1])
![](https://img-blog.csdnimg.cn/img_convert/4714a86cc14cabf4d5de86210cb26d63.png)
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。
#找出标点符号的字符。提示:标点符号是每一句话都有的字符。
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 x:x[1],reverse=True)
print(word_count[0])
print(word_count[1])
print(word_count[2])
![](https://img-blog.csdnimg.cn/img_convert/a878ab8a742da5f8a1c96d57b220277c.png)
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?
import re
train_df['sentence'] = train_df['text'].apply(lambda x: len(re.split('3750|900|648', x))) #多个分隔符用|隔开
train_df['sentence'].mean()
统计每类新闻中出现次数最多的字符
from collections import Counter
train_df['word']=train_df['text'].apply(lambda x:x.replace(' 900','').replace(' 3750','').replace(' 648',''))
# 注意不是x.replace('900','').replace('3750','').replace('648','')),需要在前方加上空格
for i in range(14):
label_term = train_df[train_df['label']==i]['word']
all_lines = ' '.join(list(label_term))
word_count = Counter(all_lines.split(' '))
word_count = sorted(word_count.items(),key=lambda x:x[1],reverse=True)
print(i,word_count[0])