NLP-Task2 数据读取与数据分析

数据导入与查看

import pandas as pd
train_df = pd.read_csv(r'…\NLP\原始数据\train_set.csv', sep='\t', nrows=100,encoding = 'GB2312')
train_df.head()

可以看到，训练集数据基本形式为：

句子长度分析

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

字符分布统计

整体统计：

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))
# 6869print(word_count[0])
# ('3750', 7482224)print(word_count[-1])
# ('3133', 1)

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。

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)

不同字符在句子中出现的次数统计：
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。

练习题

统计每类新闻中出现次数最多的字符

if i in train_df['label'].value_counts():part_lines = ' '.join(list(train_df[train_df['label']==i]['text']))word_count = Counter(part_lines.split(" "))print(len(word_count))#统计总字数print(word_count[0])#统计最多字符