【数据竞赛】“达观杯”文本智能处理挑战赛１

最新推荐文章于 2019-07-08 22:58:14 发布

__盛夏光年__

最新推荐文章于 2019-07-08 22:58:14 发布

阅读量545

点赞数

文章标签：文本分类 nlp

本文链接：https://blog.csdn.net/u012736685/article/details/89042384

版权

一、数据竞赛简介

“达观杯”文本智能处理挑战赛

１、任务

建立模型通过长文本数据正文(article)，预测文本对应的类别(class)

２、数据

传送门：链接: https://pan.baidu.com/s/11AOOn0xlv0TZjGeFfRc3Rw 提取码: 58r9

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。

３、评分标准

评分算法：binary-classification

采用各个品类F1指标的算术平均值，它是Precision 和 Recall 的调和平均数。

$\langle F1\rangle=\frac{1}{n}\sum_i^nF1_i=\frac{1}{n}\sum_i^n\frac{2\cdot P_i\cdot R_i}{P_i+ R_i}$

其中， $P_i$ 是表示第 $i$ 个种类对应的Precision， $R_i$ 是表示第 $i$ 个种类对应Recall。

二、数据读取

# 导入相关包
import pandas as pd
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# 数据预处理
df_train = pd.read_csv("./new_data/train_set.csv") # 使用read_csv方法 导入训练集
df_test = pd.read_csv("./new_data/test_set.csv") # 用read_csv方法 导入测试集
X = df_train.drop(['id','class'], axis=1)
y = df_train['class']

print(df_train.head(10))
print('-------------------------')
print(X.head(10))
print('-------------------------')

# 划分数据集
X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.2, random_state=2019)

# 划分后数据集概况
print('Data Servey--Train data: {}'.format(X_train.info()))
print('------------' * 2)
print('Data Servey--Validation data: {}'.format(X_valid.info()))

输出结果

   id  ... class
0   0  ...    14
1   1  ...     3
2   2  ...    12
3   3  ...    13
4   4  ...    12
5   5  ...    13
6   6  ...     1
7   7  ...    10
8   8  ...    10
9   9  ...    19

[10 rows x 4 columns]
-------------------------
                                             article                                           word_seg
0  7368 1252069 365865 755561 1044285 129532 1053...  816903 597526 520477 1179558 1033823 758724 63...
1  581131 165432 7368 957317 1197553 570900 33659...  90540 816903 441039 816903 569138 816903 10343...
2  7368 87936 40494 490286 856005 641588 145611 1...  816903 1012629 957974 1033823 328210 947200 65...
3  299237 760651 299237 887082 159592 556634 7489...  563568 1239563 680125 780219 782805 1033823 19...
4  7368 7368 7368 865510 7368 396966 995243 37685...  816903 816903 816903 139132 816903 312320 1103...
5  7368 1160791 299237 1238054 569999 1044285 117...  816903 669476 21577 520477 1004165 4184 616471...
6  893673 7368 836872 674898 231468 856005 105964...  277781 816903 1098157 986174 1033823 780491 10...
7  1122654 125310 907560 1172361 979583 983951 12...  289186 640942 363388 585102 261174 1217680 520...
8  793790 599682 1223643 1030656 569999 178976 45...  1257015 966562 1054308 599826 811205 520477 28...
9  7368 1120647 360394 79747 1140778 472252 7368 ...  816903 266069 1226448 1276450 816903 769051 12...
-------------------------
<class 'pandas.core.frame.DataFrame'>
Int64Index: 81821 entries, 6483 to 40008
Data columns (total 2 columns):
article     81821 non-null object
word_seg    81821 non-null object
dtypes: object(2)
memory usage: 1.9+ MB
Data Servey--Train data: None
------------------------
<class 'pandas.core.frame.DataFrame'>
Int64Index: 20456 entries, 82049 to 68944
Data columns (total 2 columns):
article     20456 non-null object
word_seg    20456 non-null object
dtypes: object(2)
memory usage: 479.4+ KB
Data Servey--Validation data: None