Datawhale NLP入门任务Task2 数据读取与数据分析
前一天，我们了解了赛题的内容和几种解决方案。今天根据之前的思路进行模型延展分析。讲解一些算法的原理和相关知识点，并会给出一定的参考文献供大家深入学习。
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。
1
import pandas as pd
2
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）；
1
train_df.head()
[2]:
, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
| 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... |
,
上图是读取好的数据，是表格的形式。第一列为新闻的类别，第二列为新闻的字符。
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：
1
%pylab inline
2
train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
3
print(train_df['text_len'].describe())
Populating the interactive namespace from numpy and matplotlib count 100.000000 mean 872.320000 std 923.138191 min 64.000000 25% 359.500000 50% 598.000000 75% 1058.000000 max 7125.000000 Name: text_len, dtype: float64
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。
1
_ = plt.hist(train_df['text_len'], bins=200)
2
plt.xlabel('Text char count')
3
plt.title("Histogram of char count")
[4]:
Text(0.5, 1.0, '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。
1
train_df['label'].value_counts().plot(kind='bar')
2
plt.title('News class count')
3
plt.xlabel("category")
[5]:
Text(0.5, 0, '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, '**': 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。
1
from collections import Counter
2
all_lines = ' '.join(list(train_df['text']))
3
word_count = Counter(all_lines.split(" "))
4
word_count = sorted(word_count.items(), key=lambda d:d[1], reverse = True)
5
6
print(len(word_count))
7
8
print(word_count[0])
9
10
print(word_count[-1])
2405
('3750', 3702)
('5034', 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。
1
from collections import Counter
2
train_df['text_unique'] = train_df['text'].apply(lambda x: ' '.join(list(set(x.split(' ')))))
3
all_lines = ' '.join(list(train_df['text_unique']))
4
word_count = Counter(all_lines.split(" "))
5
word_count = sorted(word_count.items(), key=lambda d:int(d[1]), reverse = True)
6
7
print(word_count[0])
8
9
print(word_count[1])
10
11
print(word_count[2])
('900', 99)
('3750', 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：
- 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；
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。
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？
- 统计每类新闻中出现次数对多的字符