Task2 数据读取与数据分析

学习框架

使用Pandas读取数据

  根据Pandas中文文档的描述，Pandas内置了CSV的数据读取接口，对于赛题数据可直接读取。

import pandas as pd
train_df = pd.read_csv('../data/train_set.csv', sep='\t')
print(train_df.head())

  nrows=100是读取前一百行数据，这里我直接读取了20w全部的数据。

  这里的read_csv由三部分构成：

• 读取的文件路径，这里需要根据改成你本地的路径，可以使用相对路径或绝对路径；
• 分隔符sep，为每列分割的字符，设置为\t即可；
• 读取行数nrows，为此次读取文件的函数，是数值类型（由于数据集比较大，建议先设置为100）；

  此外有一个小坑，也就是展示数据。如果用的是pycharm，需要在print()内输出结果。

数据分析

句子长度分析

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

  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。

  下图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")

plt.show()

  这里针对于pycharm又有一个小坑，那就是即使安装了matplotlib，图像也无法显示。在google之后发现，可能是由于mac本身自带py2.7，而我现在用的是py3.8，相当于版本重复，导致后端绘图版本对不上～此时只需要加一行plt.show()即可解决～

新闻类别分布

  接下来可以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")
plt.show()

  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

  接下来可以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。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。

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]

  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。

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])

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1000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4w，星座类新闻样本量不到1k；
3. 赛题总共包括7000-8000个字符；

  通过数据分析，我们还可以得出以下结论：

5. 每个新闻平均字符个数较多，可能需要截断；

6. 由于类别不均衡，会严重影响模型的精度；

作业

  不是很懂，正在学～～～

如果有错误或者不严谨的地方，请务必给予指正，十分感谢。