零基础入门NLP_Task2_数据读取与数据分析 学习笔记

Task2 数据读取与数据分析 学习笔记

---

Author: 2tong

---

教程学习

1.数据读取

>>> import pandas as pd
>>> train_file = './data/train_set.csv'
>>> train_df = pd.read_csv(train_file, sep='\t', nrows=100)
>>> train_df.head()
   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...

2.数据分析

对非结构数据往往不需要做很多的数据分析，但是通过数据分析还是可以找出一些规律的。

2.1句子长度分析

目标：探测赛题的数据集中句子长度分布。

>>> train_df = pd.read_csv(train_file, sep='\t')
>>> train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
>>> print(train_df['text_len'].describe())
count    200000.000000
mean        907.207110
std         996.029036
min           2.000000
25%         374.000000
50%         676.000000
75%        1131.000000
max       57921.000000
Name: text_len, dtype: float64

绘制直方图：

>>> import matplotlib.pyplot as plt
>>> _ = plt.hist(train_df['text_len'], bins=200)
>>> plt.xlabel('Text char count')
Text(0.5, 0, 'Text char count')
>>> plt.title('Histogram of char count')
Text(0.5, 1.0, 'Histogram of char count')
>>> plt.savefig('histogram_of_char_count.jpg')

2.2类别分析

目标：统计赛题的数据集分布情况，探测是否存在分布较为不均匀的情况。

>>> train_df['label'].value_counts()
0     38918
1     36945
2     31425
3     22133
4     15016
5     12232
6      9985
7      8841
8      7847
9      5878
10     4920
11     3131
12     1821
13      908
Name: label, dtype: int64
>>> train_df['label'].value_counts().plot(kind='bar')
<AxesSubplot:>
>>> plt.title('News class count')
Text(0.5, 1.0, 'News class count')
>>> plt.xlabel('category')
Text(0.5, 0, 'category')
>>> plt.savefig('news_class_count.jpg')

2.3字符分布统计

目标：统计每个字符出现的次数，共有多少个字符

>>> 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)
>>> print(len(word_count))
6869
>>> print(word_count[0])
('3750', 7482224)
>>> print(word_count[-1])
('3133', 1)

目标：推出标点符号：哪些在每个句子中基本均出现的，覆盖率高的很有可能是标点符号

>>> 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 d:int(d[1]), reverse = True)
>>> print(word_count[0], word_count[1], word_count[2])
('3750', 197997) ('900', 197653) ('648', 191975)

技术储备

1.pandas

Ref：pandas中文、pandas

Pandas是一个强大的分析结构化数据的工具集；它的使用基础是Numpy（提供高性能的矩阵运算）；用于数据挖掘和数据分析，同时也提供数据清洗功能。
Pandas的利器为：

• DataFrame
• Series