天池零基础入门NLP竞赛实战：Task1&Task2 数据读取与数据分析

Task1&Task2 数据读取与数据分析

赛题数据是文本数据，每个新闻是不定长的，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(r'train_set.csv', sep='\t')

pd.read_csv常用参数：

• 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，可以先设置为100）；

train_df.head(5)

	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...

同样的方法加载测试集数据。

test_df = pd.read_csv(r'test_a.csv', sep='\t')

test_df.head(5)

	text
0	5399 3117 1070 4321 4568 2621 5466 3772 4516 2...
1	2491 4109 1757 7539 648 3695 3038 4490 23 7019...
2	2673 5076 6835 2835 5948 5677 3247 4124 2465 5...
3	4562 4893 2210 4761 3659 1324 2595 5949 4583 2...
4	4269 7134 2614 1724 4464 1324 3370 3370 2106 2...

数据分析

读取完训练集后，初步查看数据格式后，可以对数据集进行数据分析的操作。

读取了所有的训练集数据，从下面几个角度对数据集进行数据分析：

• 赛题数据中，新闻文本的长度是多少？
• 赛题数据中，字符分布是怎么样的？
• 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，不同类别的文本长度分布如何？
• 赛题数据中，不同类别的字符分布是怎么样的？

统计数据集中所有句子所包含字符的平均个数

由上面的表格可以知道，训练集的每行句子的字符使用空格进行隔开，所以可以分割，然后统计单词的个数来得到每个句子的长度。

%pylab inline
train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
print(train_df['text_len'].describe())

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，赛题的训练数据总共20w条，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。其中75%以下的数据长度在1131以下。

下图将句子长度绘制了直方图，可见大部分训练集的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 in train dataset')
plt.title("Histogram of char count")

Text(0.5, 1.0, 'Histogram of char count')

_ = plt.hist(train_df[train_df['text_len']<5000]['text_len'], bins=200)plt.xlabel('Text char count in train dataset')plt.title("Histogram of char count")

Text(0.5, 1.0, 'Histogram of char count')

同样统计测试集文本长度：

%pylab inlinetest_df[