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

Populating the interactive namespace from numpy and matplotlib count 50000.000000 mean 909.844960 std 1032.313375 min 14.000000 25% 370.000000 50% 676.000000 75% 1133.000000 max 41861.000000 Name: text_len, dtype: float64

可见测试集共50,000条新闻，每条新闻平均909个字符，最短句子长度为14，最长句子41861,75%以下的数据长度在1133以下。

将测试集句子长度绘制了直方图：

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

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

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

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

可以看到训练集和测试集的文本长度分布接近。

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。

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))
print(word_count[0])
print(word_count[-1])

6869 ('3750', 7482224) ('3133', 1)

还可以根据字在语料中的出现情况，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。

from collections import Counter
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])
print(word_count[1])
print(word_count[2])

('3750', 197997) ('900', 197653) ('648', 191975)

同样统计一下测试集的字符分布：

from collections import Counter
all_lines = ' '.join(list(test_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))
print(word_count[0])
print(word_count[-1])

6203 ('3750', 1879488) ('1224', 1)

from collections import Counter
test_df['text_unique'] = test_df['text'].apply(lambda x: ' '.join(list(set(x.split(' ')))))
all_lines = ' '.join(list(test_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])
print(word_count[1])
print(word_count[2])

('3750', 49455) ('900', 49366) ('648', 47966)

统计数据集中类别分布的规律

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。标签和对应的类别为： {'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}

label2id={'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}
id2label={}
for label,labelid in label2id.items():
    id2label[labelid]=label
train_df['type']=''
for labelid in np.unique(train_df['label'].values):
    train_df.loc[train_df['label']==labelid,'type']=id2label[labelid]
train_df['type'].value_counts().plot(kind='bar')

#注意这两行是为了正确显示中文设置的
plt.rcParams['font.sans-serif']=["SimHei"] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

plt.title('News class count')
plt.xlabel("category")

Text(0.5, 0, 'category')

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。

统计数据集中不同类别下句子平均字符的个数

再统计一下训练集中不同类别下句子平均长度。

from collections import Counter
text_len_each_label=train_df.groupby('type').agg('mean','text_len')['text_len']
text_len_each_label.plot(kind='bar')
plt.title('Text char count in each label')
plt.xlabel("category")

Text(0.5, 0, 'category')

可以看到各个类别的平均句子长度，教育类、caipiao的句子长度最长，时尚类的比较短。 #### 统计数据集中不同类别下句子中最常见的5个字符

from collections import Counter
label_groups=train_df.groupby('type')

word_count_each_label={}

for groupid in label_groups.groups.keys():
    group=label_groups.get_group(groupid)
    lines = ' '.join(list(group['text']))
    word_count = Counter(lines.split(" "))
    word_count = sorted(word_count.items(), key=lambda d:d[1], reverse = True)
    word_count_each_label[groupid]=word_count

word_count_df_each_label=pd.DataFrame.from_dict(word_count_each_label,orient='index').T

word_count_df_each_label.head(5)

	体育	娱乐	家居	彩票	房产	教育	时尚	时政	星座	游戏	社会	科技	股票	财经
0	(3750, 1458331)	(3750, 774668)	(3750, 242367)	(3750, 87412)	(3750, 180259)	(3750, 469540)	(3750, 83834)	(3750, 360839)	(3750, 33796)	(3750, 178783)	(3750, 715740)	(3750, 1267331)	(3750, 1200686)	(3750, 428638)
1	(648, 974639)	(648, 494477)	(648, 202399)	(4464, 51426)	(648, 114512)	(648, 345372)	(648, 67353)	(648, 231863)	(648, 26867)	(648, 157291)	(648, 329051)	(648, 967653)	(648, 714152)	(648, 262220)
2	(900, 618294)	(900, 298663)	(900, 92207)	(3370, 45815)	(900, 75185)	(900, 222488)	(900, 37240)	(900, 190842)	(900, 11263)	(900, 70680)	(900, 305241)	(900, 577742)	(3370, 626708)	(900, 184131)
3	(7399, 351894)	(6122, 187933)	(6122, 57345)	(648, 37041)	(3370, 67780)	(6248, 193757)	(4939, 18591)	(4411, 120442)	(4939, 9651)	(7328, 46477)	(6122, 159125)	(3370, 503768)	(900, 542884)	(3370, 159156)
4	(6122, 343850)	(4939, 173606)	(4939, 56147)	(2465, 36610)	(2465, 45163)	(2555, 175234)	(6122, 18438)	(7399, 86190)	(669, 8925)	(6122, 43411)	(5598, 136713)	(4464, 307431)	(4464, 445525)	(5296, 132136)

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？

利用re正则表达式实现多个字符对一个字符串进行分割。

import re

train_df['sentence_count']=train_df['text'].apply(lambda x: re.split('3750|900|648',x)).str.len()
train_df['sentence_count'].describe()

count 200000.000000 mean 80.802370 std 86.955448 min 1.000000 25% 29.000000 50% 57.000000 75% 103.000000 max 3460.000000 Name: sentence_count, dtype: float64

可以看到平均每个文本都由80个句子组成。

数据分析的结论

通过上述分析可以知道数据集的大致状况：

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；

还可以得出以下对训练有价值的结论：

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。