nlp入门赛task2-数据读取与数据分析

本章主要内容为数据读取和数据分析，具体使用Pandas库完成数据读取操作，并对赛题数据进行分析构成。

学习目标

• 学习使用Pandas读取赛题数据
• 分析赛题数据的分布规律

数据读取

赛题数据虽然是文本数据，每个新闻是不定长的，但任然使用csv格式进行存储。因此可以直接用Pandas完成数据读取的操作。

import pandas as pd
import matplotlib.pyplot as plt
train_df = pd.read_csv('data/train_set.csv', sep='\t')
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...

数据分析

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。

此步骤我们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：

• 赛题数据中，新闻文本的长度是多少？
• 赛题数据的类别分布是怎么样的，哪些类别比较多？
• 赛题数据中，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：

%pylab inline
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

train_df['text_len'].sum()

181441422

对新闻句子的统计可以得出，本次赛题给定的文本比较长，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，可见大部分句子的长度都几种在2000以内。

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

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")

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2405个不同字符，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])

6869
('3750', 7482224)
('3133', 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])
print(word_count[3:6])

('3750', 197997)
('900', 197653)
('648', 191975)
[('2465', 177310), ('6122', 176543), ('7399', 176249)]

数据分析的结论

通过上述分析我们可以得出以下结论：

• 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；
• 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；
• 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：

• 每个新闻平均字符个数较多，可能需要截断；(存在疑问？)

• 由于类别不均衡，会严重影响模型的精度；

本章小结

本章对赛题数据进行读取，并新闻句子长度、类别和字符进行了可视化分析。

课后作业

• 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？
• 统计每类新闻中出现次数最多的字符

import re
train_df['num_sentence'] = train_df['text'].apply(lambda x: len(re.split('3750|900|648', x)))
train_df['num_sentence'].describe()

count    200000.000000
mean         80.802370
std          86.955448
min           1.000000
25%          29.000000
50%          57.000000
75%         103.000000
max        3460.000000
Name: num_sentence, dtype: float64

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)
    del word_count[0:3]
    sort_max_words[i]=word_count[0:3]
sort_max_words

{0: [('3370', 503768), ('4464', 307431), ('2465', 296582)],
 1: [('900', 542884), ('4464', 445525), ('3659', 388742)],
 2: [('7399', 351894), ('6122', 343850), ('4939', 337762)],
 3: [('6122', 187933), ('4939', 173606), ('4893', 148784)],
 4: [('4411', 120442), ('7399', 86190), ('4893', 77475)],
 5: [('6122', 159125), ('5598', 136713), ('4893', 130570)],
 6: [('6248', 193757), ('2555', 175234), ('5620', 156918)],
 7: [('3370', 159156), ('5296', 132136), ('4464', 113240)],
 8: [('6122', 57345), ('4939', 56147), ('913', 55475)],
 9: [('7328', 46477), ('6122', 43411), ('7399', 37571)],
 10: [('3370', 67780), ('2465', 45163), ('5560', 42447)],
 11: [('4939', 18591), ('6122', 18438), ('5560', 17933)],
 12: [('648', 37041), ('2465', 36610), ('900', 35684)],
 13: [('4939', 9651), ('669', 8925), ('6122', 8321)]}

得出结论：每篇新闻平均由80.8个句子构成。每类新闻中出现次数最多的字符如上图。