NLP学习 2

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

导入必要库

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import seaborn as sns
plt.rcParams['font.sans-serif'] = ['SimHei']

这里设置plt的字体显示

读取数据

train_df = pd.read_csv('../Data/train_set.csv', sep='\t')

csv数据的读取，可以看一下数据的基本信息和情况

数据举例.png 数据信息.png

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：

文本长度统计信息.png

文本长度分布信息（竖轴显示取log）

文本长度分布信息 .png

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

样本分布.png

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。

词频.png

高频词语，低频词语

本章作业

1. 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？
2. 统计每类新闻中出现次数对多的字符

Solution

1. python 自带的split不能多条件分割，这里使用re模块完成。

   
   分句统计信息.png

2. 这里我选取了前五频繁的字词。我们可以发现3750，648，900几乎在各类别中均是高频词语，几乎可以确定为标点。

   
   
   结果.png