NLP以赛代练 Task 2：数据读取与分析

 

---

数据读取

import pandas as pd

train_df = pd.read_csv('/Users/debroon/Desktop/train_set.csv', sep='\t', nrows=100)
train_df.head() 
# 查看 top5 的数据

不算前面的行号，第一列为新闻的类别，第二列为新闻的字符。
 

---

数据分析

一切技术的出现都是为了解决现实问题，而现实问题分为简单问题和复杂问题。

• 简单问题，需要简单分析，我们使用「数据分析」。比如最近的阅读量怎么减少了。
• 复杂问题，需要复杂分析，我们使用「机器学习」。比如根据阅读历史推送新书。

数据分析，核心是分析思维。

分析思维不是要证明你智商很高，而是考察你面对问题展开的分析能力和分析思维。

书上的 $5w2h$ 这样的常用分析方法，其实根本用不在数据分析工作里。最常用的分析方法其实是：

• 多维度拆解分析方法；
• 对比分析方法；
• 假设检验分析方法；
• 相关分析方法；
• 群组分析方法；
• AARRR漏斗模型分析方法；
• RFM模型分析方法；
• … …

握常用的业务数据指标，你才可以灵活应对面试中提出的业务问题。我整理了下面常用的业务指标，准备好这些内容，就可以应对 $90$ %的面试了。

• 反映用户数据的指标：日新增用户、活跃率、留存率；
• 反映行为数据的指标：$PV$(访问次数)、$UV$（访问人数）、转发率、转化率、$K$因子；
• 反映总量的指标: 成交总额、成交数量、访问时长；
• 反映人均的指标：人均付费($ARPU$/客单价)、付费用户人均付费($ARPPU$)、人均访问时长；
• 反映付费的指标：付费率、复购率、回购率。

---

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。

读取了所有的训练集数据，在此我们通过数据分析希望得出以下结论：

• 句子长度情况？
• 哪些类别比较多？
• 字符分布是怎么样的？

 

---

句子长度分析

在赛题数据中每行句子的字符使用空格进行隔开，所以可以直接统计单词的个数来得到每个句子的长度。统计并如下：

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

运行值：

Populating the interactive namespace from numpy and matplotlib
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

每个句子平均由907个字符构成，最短的句子长度为2，最长的句子长度为57921，所以说，给定的文本/句子比较长。

可视化，将句子长度绘制了直方图：

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

直方图，大部分句子的长度都几种在2000以内：

 

---

类别分布

接着，对数据集的类别进行分布统计，具体统计每类新闻的样本个数。

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

从统计结果可以看出，赛题的数据集类别分布存在较为不均匀的情况。在训练集中科技类新闻最多，其次是股票类新闻，最少的新闻是星座新闻。
 

---

字符分布统计

接下来，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])

运行值：

2405
('3750', 3702)
('5034', 1)

从统计结果中可以看出，在训练集中总共包括 $2405$ 个字，其中编号 $3750$ 的字出现的次数最多，编号 $5034$ 的字出现的次数最少。

这里还可以根据字在每个句子的出现情况，反推出标点符号。

下面代码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])

运行值：

('3750', 99)
('900', 99)
('648', 96)

 

---

数据分析的结论

通过上述分析我们可以得出以下结论：

• 每条新闻包含的字符个数平均为 $1000$ 个，还有一些新闻字符较长；
• 新闻类别分布不均匀，科技类新闻样本量接近 $4w$，星座类新闻样本量不到$1k$；
• 总共包括 $3000$ 个字符；

通过数据分析，我们还可以得出以下结论：

• 每个新闻平均字符个数较多，可能需要截断；
• 由于类别不均衡，会严重影响模型的精度。