零基础入门天池NLP赛事之——新闻文本分类（2）

本节任务：数据读取与数据分析

1. 数据读取有分析：

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。

1.1 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

1.2 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('../input/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）；

上面的例子是读取好的数据，是表格的形式。

第一列为新闻的类别，第二列为新闻的字符。

1.3 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？

1.3.1 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())

输出结果为：

Populating the interactive namespace from numpy and matplotlib
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

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")

1.3.2 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。

1.3.3 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)

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。

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。

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])
# ('3750', 197997)

print(word_count[1])
# ('900', 197653)

print(word_count[2])
# ('648', 191975)

1.4 数据分析的结论：

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：

1. 每个新闻平均字符个数较多，可能需要截断；

2. 由于类别不均衡，会严重影响模型的精度；

1.5 本章小结：

1. 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。

import pandas as pd
from collections import Counter
import re

## 分隔符sep，将每列分割开的字符，设置为\t即可
train_df = pd.read_csv('TRAIN_DATA/train_set.csv', sep='\t')

## 用标点符号对每篇新闻进行分割，分割的片段数量为该条新闻的句子数
train_df['sentence_num'] = train_df['text'].apply(lambda x: len(re.split('3750|900|648', x)))
print('该条新闻的句子数 :', sum(train_df['sentence_num'])/len(train_df['sentence_num']))

结果为：

该条新闻的句子数 : 80.80237

2. 统计每类新闻中出现次数对多的字符；

from collections import Counter

## 将同一类的文本拼接在一起，并去掉其中的标点符号
all_lines_in_a_class = []
for i in range(14):
	line = ' '.join(train_df[train_df['label'] == i]['text'])
	all_lines_in_a_class.append(re.sub('3750|900|648','',line))

## 统计每类新闻里各字符出现的次数
print('每类新闻里各字符出现的次数为:')
for i,line in enumerate(all_lines_in_a_class):
	line = filter(lambda x: x, line.split(' '))
	word_count = Counter(line)
	word_count = sorted(word_count.items(), key=lambda d: int(d[1]), reverse=True)
	print(i,':',word_count[0][0])

结果为:

每类新闻里各字符出现的次数为:
0 : 3370
1 : 3370
2 : 7399
3 : 6122
4 : 4411
5 : 6122
6 : 6248
7 : 3370
8 : 6122
9 : 7328
10 : 3370
11 : 4939
12 : 4464
13 : 4939