零基础入门NLP赛事-Task2数据读取与数据分析

本文链接：https://blog.csdn.net/weixin_44925679/article/details/107525462

学习目标

	·学习使用Pandas读取赛题数据 
	·分析赛题数据的分布规律

1.数据读取

	import pandas as pd
	train_df = pd.read_csv('./train_set.csv',sep='\t',nrows=100)
	train_df.head(15)

使用pandas库中的read_csv函数读取文本数据，.head(15）输出前15行。在这里插入图片描述
第一列：新闻类别第二列：新闻的字符

2.句子长度分析
在读取完成数据集后，我们还可以对数据集进行数据分析的操作。虽然对于非结构数据并不需要做很多的数据分析，但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

#句子长度分析，使用空格进行分割开，通过统计单词个数来统计句子长度
%pylab inline 
train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
print(train_df['text_len'].describe())

对读取到的100行文本数据进行统计，每行平均有872个字符组成，最长的行有7125个字符，最短的行有64个字符。在这里插入图片描述
将句子长度分布画到直方图。

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

在这里插入图片描述

2.2 新闻类别分布

#新闻类别分布
train_df['label'].value_counts().plot(kind='bar')
plt.title('News class count')
plt.xlabel('category')

在这里插入图片描述
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}

2.3 字符分布统计

#字符分布统计 
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])

在这里插入图片描述
统计结果，一共有2405个字符，字符3750出现的次数最高有3702次，字符5034出现的频率最低只有1次。

2.4 统计字符在句中出现的频率

#统计字符在句中出现的频率 
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])