一、数据读取
根据之前的数据下载后了解到数据是使用CSV格式存储，使用pandas库实现数据的读取。（实验环境为anaconda下，下面数据读取的地址应该为自己数据集所在的绝对路径）
import pandas as pd
train = pd.read_csv('./train_set.csv',sep = '\t')#sep是分隔字符的
train.head()#查看前5行数据
根据图中信息知道，第一列label是新闻类别，第二列text为新闻字符。
二、数据分析
当我们刚拿到数据的时候看到数据里面的内容，我们并不能快速了解到数据的含义，数据之间的关系，因此需要对数据进行分析，通过对数据进行分析了解数据的基本情况，更好的发现数据之间存在的规律。
train['text_len'] =train['text'].apply(lambda x: len(x.split(' ')))
train['text_len'].describe()#输出数据的总数，最大、最小、均值、四分位的值output>>>
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#根据上面结果显示可知道数据的长度为200000条数据
import matplotlib.pyplot as plt
%matplotlib inline
train['text_len'].plot(legend=True, figsize=(18,6))
plt.title('text_len of all data')
plt.xlabel('row number')
plt.ylabel('len of text')
_ = plt.hist(train['text_len'], bins=200)
plt.xlabel('Text char count')
plt.title("Histogram of char count")
使用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。数据好像存在左偏现象。
三、新闻类型分布
train['label'].value_counts().plot(kind='bar')
plt.title('News class count')
plt.xlabel("category")
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}
根据数据分析中得出数据类型分布不均匀。
四、字符分布统计
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['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])output>>>
('3750', 197997)
('900', 197653)
('648', 191975)
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。
五、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；
数据分析过程中可以了解到数据之间分布不均匀，会影响模型准确率。