一、“达观杯”文本智能处理挑战赛
二、读取并观察数据
1. 下载数据,读取数据,观察数据
直接读取数据用时较长,先使用narows参数读取前5000条数据观察数据
import pandas as pd
from sklearn.model_selection import train_test_split
import time
#直接读取数据用时较长
%%time
df_train = pd.read_csv('train_set.csv')
Wall time: 2.71 s
#使用narows参数读取前5000条数据观察数据
%%time
df_train = pd.read_csv('train_set.csv',nrows=5000)
df_train .head()
数据展示如下
文本分类类别:
df_train ['class'].unique()
a = list(df_train ['class'].unique())
print(sorted(a))
print(df_train .iloc[0,1])
print(df_train .iloc[0,2])
可以看出,article和word_seg属性为数字,每个数字表示一个字符或词,class属性表示类别,总共19类。
3. 训练集划分
X_train, X_vali, Y_train, Y_vali = train_test_split(df_train[['word_seg','article']], df_train[['class']], test_size=0.2, random_state=1)
划分后数据集概况
4. 对数据以及赛题的理解和发现
1.数据
通过对文章正文在“字”级别上的表示,即字符相隔正文(article)和在“词”级别上的表示,即词语相隔正文(word_seg),预测文章类别,归类到class字段中。