零基础⼊⻔NLP- 新闻⽂本分类Task2数据读取与数据分析

数据读取

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

1. 分隔符sep，为每列分割的字符，设置为\t即可；
2. 读取行数nrows,为每次读取文件的函数，是数值类型（数据集太大，先设置100）。

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...

句子长度分析

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

count    200000.000000
mean        907.207110
std         996.029036
min           2.000000
25%         374.000000
50%         676.000000
75%        1131.000000
max       57921.000000
Name: text_len, dtype: float64

绘制句子长度统计直方图

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

绘制新闻类别直方图

train_df['label'].value_counts().plot(kind='bar')
plt.title('New class count')
plt.xlabel('category')

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])

6869
('3750', 7482224)
('3133', 1)

训练集一共包括6869个字，其中编号为3750的字出现的次数最多，编号为3133的字出现的次数最少。

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', 197997)
('900', 197653)
('648', 191975)

字符3750、900和648在文章的覆盖率接近99%，很有可能是标点符号。

数据分析结论

1. 每个字符个数平均为1000个；
2. 科技新闻样本最多接近4w，星座类的不到1k；
3. 文章一共可能包括6000-7000个字符。