数据竞赛达观杯（1）

一.读取数据

import numpy as np
import pandas as pd

training = pd.read_csv("../new_data/train_set.csv")
print(training.head())

数据包含2个csv文件：

• train_set.csv：此数据集用于训练模型，每一行对应一篇文章。文章分别在“字”和“词”的级别上做了脱敏处理。共有四列：
  第一列是文章的索引(id)，第二列是文章正文在“字”级别上的表示，即字符相隔正文(article)；第三列是在“词”级别上的表示，即词语相隔正文(word_seg)；第四列是这篇文章的标注(class)。
  注：每一个数字对应一个“字”，或“词”，或“标点符号”。“字”的编号与“词”的编号是独立的！
• test_set.csv：此数据用于测试。数据格式同train_set.csv，但不包含class。
  注：test_set与train_test中文章id的编号是独立的。

print(training.shape)