NLP实践之——数据读取与分析

一、数据读取

import pandas as pd
train_df=pd.read_csv('D:/AIproject/NLP_news_paper_classific/data/train_set.csv/train_set.csv',sep='\t',nrows=100)

train_df.head()

二、数据分析
数据分析的目的：
（1）获得赛题数据中新闻文本的长度
（2）获得赛题数据类别分类的分布
（3）获得赛题数据字符的分布
1、句子长度分析
观察前5行数据可知每行句子中的字符用空格隔开，可通过统计单词个数来计算每个句子长度。

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

绘制句子长度直方图

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

2、类别分布

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}
可知类别分布不均匀！
3、字符分布统计
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])

总共包含2405个字符，编号3750的字符出现次数最多，编号5034的字符出现字数最少。

可以根据字在每个句子的出现情况，反推出标点符号。下面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。

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])

数据分析结论
通过上述分析我们可以得出以下结论：

（1）赛题中每个新闻包含的字符个数平均为872个，还有一些新闻字符较长；
（2）赛题中新闻类别分布不均匀，科技类新闻样本量接近35%，星座类新闻样本量不到1%；
（1）赛题总共包括2405个不同字符；
通过数据分析，我们还可以得出以下结论：
（1）每个新闻平均字符个数较多，可能需要截断；
（2）由于类别不均衡，会严重影响模型的精度；

三、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？

import re  ##split一次指定多个分隔符使用re模块
train_df['sentence_num'] = train_df['text'].apply(lambda x: len(re.split('3750|900|648', x)))
train_df['sentence_num'].describe()

2、统计每类新闻中出现次数对多的字符

from collections import Counter
sort_max_words={}
for i  in set(train_df['label'].values):
    all_i_lines = ' '.join(list(train_df[train_df['label']==i]['text']))
    word_count = Counter(all_i_lines.split(' '))
    word_count = sorted(word_count.items(),key=lambda d:d[1],reverse=True)  
    sort_max_words[i]=word_count[0]
sort_max_words