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。
import pandas as pd
train_df = pd.read_csv('data/train_set.csv', sep='\t', nrows=100)
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);
上图为读取好的数据,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
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:
train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
print(train_df['text_len'].describe())
输出结果为
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。
import matplotlib.pyplot as plt
_ = plt.hist(train_df['text_len'], bins=200