天池新闻文本分类-Task02- 数据读取与数据分析

主要内容为数据读取和数据分析：使用Pandas库完成数据读取操作，并对赛题数据进行分析

学习目标

• 1.学习使用Pandas读取赛题数据
• 2.分析赛题数据的分布规律

数据读取

import pandas as pd
train_df = pd.read_csv('datalab/72510/train_set.csv', sep='\t', nrows=100)

pandas模块中的read_csv在上述代码中有如下三部分组成:

• ’ '中的内容为读取的文件路径，可以使用相对路径或绝对路径
• sep为分隔符，即每列分割的字符
• nrows为读取的行数

查看train_df的前5行数据：
第一列为新闻的类别，第二列为新闻的字符

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.

数据分析

对数据集进行读取完之后需要进行分析，以找到数据集中隐藏的规律
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。代码如下：

train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
print(train_df['text_len'].describe())

代码解析

• lambda匿名函数
  匿名函数中对text字段按空格进行分割
  python lambda函数的使用：
  

• pandas describe：
  其物理意义在于观察这一系列数据的范围。大小、波动趋势等等，便于判断后续对 数据采取哪类模型更合适。

DataFrame.describe(percentiles=None, include=None, exclude=None)

• apply函数

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

该函数最有用的是第一个参数，这个参数是函数，相当于C/C++的函数指针。
这个函数需要自己实现，函数的传入参数根据axis来定，比如axis = 1，就会把一行数据作为Series的数据结构传入给自己实现的函数中，我们在函数中实现对Series不同属性之间的计算，返回一个结果，则apply函数会自动遍历每一行DataFrame的数据，最后将所有结果组合成一个Series数据结构并返回。

输出结果

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

下图将句子长度绘制了直方图

import matplotlib.pyplot as plt
_ = plt.hist(train_df['text_len'], bins=200)
plt.xlabel('Text char count')
plt.title("Histogram of char count")

上图显示略有问题

• matplotlib.plot的坐标轴刻度间隔以及刻度范围

from matplotlib.pyplot import MultipleLocator
import matplotlib.pyplot as plt
_ = plt.hist(train_df['text_len'], bins=2000)
plt.xlabel('Text char count')
plt.title("Histogram of char count")
#把x轴的刻度范围设置为0到10000
plt.xlim(0,10000)

可见大部分句子的长度都几种在2000以内

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

train_df['label'].value_counts().plot(kind='bar')
plt.title('News class count')
plt.xlabel("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(前100数据)股票类新闻最多，其次是体育类新闻，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

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))

print(word_count[0])

print(word_count[-1])

2405
('3750', 3702)
('5034', 1)

从统计结果中可以看出，在训练集中(前100)总共包括2405个字，其中编号3750的字出现的次数最多，编号5034的字出现的次数最少。

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。

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 d:int(d[1]), reverse = True)

print(word_count[0])

print(word_count[1])

print(word_count[2])

('3750', 99)
('900', 99)
('648', 96)

数据分析结论

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；

小结

本章对赛题数据进行读取，并新闻句子长度、类别和字符进行了可视化分析。

作业

1. 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？
2. 统计每类新闻中出现次数对多的字符