NLP入门赛事--S2数据读取与数据分析_分析文章平均句子长度用什么统计软件-优快云博客

本文链接：https://blog.youkuaiyun.com/li_kin/article/details/107526269

NLP入门赛事-T2数据读取与数据分析

2 数据读取与数据分析

上一章节学习了竞赛的内容和几种解决方案。从本章开始学者从使用指南1到指南4来完成本次赛题。在讲解工具使用的同时，会学习一些算法的原理和相关知识点，并会确定一定的参考文献供大家深入学习。
【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

2 数据读取与数据分析

该章节主要内容为：数据读取和数据分析，具体使用Pandas库完成数据读取操作，即可进行赛题数据进行分析构成。

python中在数据分析及可视化几个很重要的库：Pandas、Scipy、Numpy、Matplotlib

2.1 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。

数据读取：

import pandas as pd
train_df = pd.read_csv（'../input/train_set.csv'，sep = ' \ t '，nrows = 100）

read_csv由三部分组成：

读取的文件路径，此处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，为首次读取文件的函数，是数值类型（由于数据集比较大，建议先设置为100）；

显示前几行数据：train_df.head();

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。

2.2 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发现一些规律的。
在完成数据读取步骤之后，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标注：

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？

2.2.1 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，所以可以直接统计单词的个数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())

【输出结果】：
统计量
对新闻句子统计得出，赛题数据的文本都比较长，句子的平均字符长度为907个字符构成，最短的句子长度为2，最长的句子长度为57921。
【将句子长度绘制直方图，数据可视化】可见大部分句子的长度都几种在2000以内。】

2.2.2 新闻类别分布

接下来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")

python发明人一开始就专注让开发人员专注问题本身–容易读懂代码和容易写代码，真的是太伟大了
新闻类别分布
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。

2.2.3 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。

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)