新闻文本分类学习笔记

赛题介绍

地址：https://tianchi.aliyun.com/competition/entrance/531810/introduction

赛题背景：

• 要求选手根据新闻文本字符对新闻的类别进行分类
• 带大家接触NLP的预处理、模型构建和模型训练等知识点。
• 为本赛题定制了系列学习方案，其中包括数据科学库、通用流程和 baseline方案学习三部分。

赛题数据：

• 赛题数据为，新闻文本
• 按照字符级别进行匿名处理
• 整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。
• 训练集20w条样本，测试集A包括5w条样本，测试集B包括5w条样本

评测标准与读取方式：

数据分析与处理

首先我们需要读出数据，但这个数据有点大，训练集20w的样本大概就900M了，所以需要根据电脑内存情况来使用pandas的参数，最简单的可以是默认读取，那读出来就是一个dataframe，方便之后做操作：

train_df = pd.read_csv('train_set.csv', sep='\t')

而若是内存不够，则需要使用下面两种方式读或者看数据：

train_tfr = pd.read_csv('train_set.csv', sep='\t', chunksize=20000)
data = pd.DataFrame()
for train_data in train_tfr:
    data = data.append(train_data,ignore_index=True)
data.shape

或者使用iterator参数，它相当于内置了一个生成器yield，可以根据想要的数据量进行取值，下次再使用get_chunk的时候，将拿到上一次结尾的数据，这也符合yield定义：

train_tfr = pd.read_csv('train_set.csv', sep='\t', iterator=True)
train_tfr.get_chunk(100)

有了数据后，我们就可以进行相关的信息统计：

train_df.head(5)

"""
label	text	text_len
0	2	2967 6758 339 2021 1854 3731 4109 3792 4149 15...	1057
1	11	4464 486 6352 5619 2465 4802 1452 3137 5778 54...	486
2	3	7346 4068 5074 3747 5681 6093 1777 2226 7354 6...	764
3	2	7159 948 4866 2109 5520 2490 211 3956 5520 549...	1570
4	3	3646 3055 3055 2490 4659 6065 3370 5814 2465 5...	307
"""

然后使用描述性统计看看它的分布情况，这里可以取前一百条：

data.describe()

"""
		label
count	100.000000
mean	3.770000
std	3.489826
min	0.000000
25%	1.000000
50%	2.500000
75%	6.000000
max	13.000000
"""

因为文本数据是非结构化数据，没有标准化或者缺失值异常值的处理，所以大致看明白数据长什么样，知道它是一个中英文本，以及赛题介绍的类别，我们就可以更进一步的分析与可视化了。

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

这里我们知道，删除空格造成的干扰后，包括字符一起，文本的平均长度是907，标准差是996，那从这两个数据可以得到样本比较稳定，趋向于正态，而最大与最小之间的差距，可能需要做一下归一化，更准确来讲可能是需要做截断。

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

这也应征了上面的想法，如果在结构化数据里，这已经产生偏态了。

kind = pd.DataFrame(train_df['label'].value_counts()).reset_index()
fig = px.pie(kind,names="index",values="label")
fig.show()

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)) # 6869
 
print(word_count[0]) # ('3750', 7482224)
 
print(word_count[-1]) # ('3133', 1)

从统计结果中可以看出，在训练集中总共包括6869个字，其中编号3750的字出现的次数最多，编号3133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]) # ('3750', 197997)
 
print(word_count[1]) # ('900', 197653)
 
print(word_count[2]) # ('648', 191975)

TF-IDF + RidgeClassifier

import pandas as pd
 
from sklearn.feature_extraction.text import TfidfVectorizer 
from sklearn.linear_model import RidgeClassifier 
from sklearn.metrics import f1_score
 


 
tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=3000) 
train_test = tfidf.fit_transform(train_df['text'])
 
clf = RidgeClassifier() 
clf.fit(train_test[:10000], train_df['label'].values[:10000])
 
val_pred = clf.predict(train_test[10000:]) 
print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))

"""
0.87
"""

不知道为什么第一次线上反而比线下低0.3以上？可能是我数据有问题，之前做探索性分析的时候做了很多变换。

然后用lr跑一下试试，最终达到了0.938的成绩，看来这个数据还是挺简单的，而且基本没有过拟合：