阿里天池NLP新闻分类赛题_基于深度学习算法BERT_初学NLP（二）数据读取以及数据分析

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
train_df = pd.read_csv('.../data/train_set.csv',sep='\t',nrows=100)

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）；

这里nrows指的是读取数据的的行数，比如training_set.csv的100行，就单纯指的是csv中的行数。

数据分析

句子长度分析&句子类别分析

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？

 代码段如下：

#读取数据，利用的是pandas库
data_file = 'D:/Anaconda3/envs/pytorch/GL_Learning/nlp_task/data'
train_df = pd.read_csv(data_file + '/train_set.csv', sep='\t', nrows=100)
test_df = pd.read_csv(data_file + '/test_a.csv', sep='\t')
#句子长度分析
train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
print(train_df['text_len'].describe())
plt.figure()
plt.hist(train_df['text_len'], bins=200)
plt.xlabel('Text char count')
plt.title("Histogram of char count")
plt.show()
plt.figure()
train_df['label'].value_counts().plot(kind='bar')
plt.title('News class count')
plt.xlabel("category")
plt.show()

上述的代码有句子长度分析，句子长度的Hist图输出，句子种类的分析：

 句子长度分析

句子字符长度hist图

句子类别分析

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(这里我们只取了100行)总共包括2493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。

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), word_count[0], word_count[-1])

结果分析

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。

按常理来说，在一个篇幅比较大的文章中，出现次数最多的为标点符号，故出现次数最多的几类，极有可能是我们所预测的标点符号。

train_df['text_unique'] = train_df['text'].apply(lambda x: ' '.join(list(set(x.split(' ')))))
all_lines2 = ' '.join(list(train_df['text_unique']))
word_count2 = Counter(all_lines2.split(" "))
word_count2 = sorted(word_count2.items(), key=lambda d:int(d[1]), reverse=True)
print(word_count2[0],word_count2[1],word_count2[3],word_count2[4])

 结果分析

数据分析结论

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；

• 由于类别不均衡，会严重影响模型的精度。

类别不平衡，我们可以尝试使用Focal loss损失函数来解决这种类别不平衡问题

本章作业

• 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？

这题我有思路，但是没有想写，找出每个新闻中3750，900，648的出现次数，利用一个变量做累加计算，若出现一次，则有一句话，这里将逗号前后也判断为1个句子，最后放入一个(1,len(train_df))的矩阵，然后求平均即可。

• 统计每类新闻中出现次数对多的字符

这个我写出了答案，具体代码如下：

all_char_class = []
for u in range(14):
    all_char_class.append([])
#print(all_char_class)
for i in range(len(train_df['text'])):
    for a in range(14):
        if train_df['label'][i] == a:
            all_char_class[a].append(train_df['text'][i])
for u in range(14):
    all_line = ''.join(list(all_char_class[u]))
    word_count = Counter(all_line.split(" "))
    word_count = sorted(word_count.items(), key=lambda d: d[1], reverse=True)
    print('label is %d'%u,'the length is %d'%len(word_count),word_count[0])

每类标签的最大字符数