NLP-数据读取与数据分析

Posted 2020-12-18 waws1314

Task2 数据读取与数据分析

一、数据读取

1 import pandas as pd
2 train_df = pd.read_csv(‘./train_set.csv‘, sep=‘	‘)

首先对read_csv的函数有个清晰的认识，具体的参数的情况如下：

• filepath_or_buffer : str，pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO)
  • 可以是URL，可用URL类型包括：http, ftp, s3和文件。对于多文件正在准备中
  • 本地文件读取实例：??/localhost/path/to/table.csv
• sep : str, default ‘,’
  • 指定分隔符。如果不指定参数，则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘s+’,将使用python的语法分析器。并且忽略数据中的逗号。正则表达式例子：‘ ‘
• delimiter : str, default None
  • 定界符，备选分隔符（如果指定该参数，则sep参数失效）
• delim_whitespace : boolean, default False.
  • 指定空格(例如’ ‘或者’ ‘)是否作为分隔符使用，等效于设定sep=‘s+‘。如果这个参数设定为Ture那么delimiter 参数失效。
  • 在新版本0.18.1支持
• header : int or list of ints, default ‘infer’
  • 指定行数用来作为列名，数据开始行数。如果文件中没有列名，则默认为0，否则设置为None。如果明确设定header=0 就会替换掉原来存在列名。header参数可以是一个list例如：[0,1,3]，这个list表示将文件中的这些行作为列标题（意味着每一列有多个标题），介于中间的行将被忽略掉（例如本例中的2；本例中的数据1,2,4行将被作为多级标题出现，第3行数据将被丢弃，dataframe的数据从第5行开始。）。
  • 注意：如果skip_blank_lines=True 那么header参数忽略注释行和空行，所以header=0表示第一行数据而不是文件的第一行。
• names : array-like, default None
  • 用于结果的列名列表，如果数据文件中没有列标题行，就需要执行header=None。默认列表中不能出现重复，除非设定参数mangle_dupe_cols=True。
• index_col : int or sequence or False, default None
  • 用作行索引的列编号或者列名，如果给定一个序列则有多个行索引。
  • 如果文件不规则，行尾有分隔符，则可以设定index_col=False 来是的pandas不适用第一列作为行索引。
• usecols : array-like, default None
  • 返回一个数据子集，该列表中的值必须可以对应到文件中的位置（数字可以对应到指定的列）或者是字符传为文件中的列名。例如：usecols有效参数可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用这个参数可以加快加载速度并降低内存消耗。
• squeeze : boolean, default False
  • 如果文件值包含一列，则返回一个Series
• prefix : str, default None
  • 在没有列标题时，给列添加前缀。例如：添加‘X’ 成为 X0, X1, ...
• mangle_dupe_cols : boolean, default True
  • 重复的列，将‘X’...’X’表示为‘X.0’...’X.N’。如果设定为false则会将所有重名列覆盖。
• dtype : Type name or dict of column -> type, default None
  • 每列数据的数据类型。例如 {‘a’: np.float64, ‘b’: np.int32}
• engine : {‘c’, ‘python’}, optional
  • Parser engine to use. The C engine is faster while the python engine is currently more feature-complete.
  • 使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。
• converters : dict, default None
  • 列转换函数的字典。key可以是列名或者列的序号。
• true_values : list, default None
  • Values to consider as True
• false_values : list, default None
  • Values to consider as False
• skipinitialspace : boolean, default False
  • 忽略分隔符后的空白（默认为False，即不忽略）.
• skiprows : list-like or integer, default None
  • 需要忽略的行数（从文件开始处算起），或需要跳过的行号列表（从0开始）。
• skipfooter : int, default 0
  • 从文件尾部开始忽略。 (c引擎不支持)
• nrows : int, default None
  • 需要读取的行数（从文件头开始算起）。
• na_values : scalar, str, list-like, or dict, default None
  • 一组用于替换NA/NaN的值。如果传参，需要制定特定列的空值。默认为‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.
• keep_default_na : bool, default True
  • 如果指定na_values参数，并且keep_default_na=False，那么默认的NaN将被覆盖，否则添加。
• na_filter : boolean, default True
  • 是否检查丢失值（空字符串或者是空值）。对于大文件来说数据集中没有空值，设定na_filter=False可以提升读取速度。
• verbose : boolean, default False
• 是否打印各种解析器的输出信息，例如：“非数值列中缺失值的数量”等。
• skip_blank_lines : boolean, default True
• 如果为True，则跳过空行；否则记为NaN。
• parse_dates : boolean or list of ints or names or list of lists or dict, default False
  • boolean. True -> 解析索引
  • list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列；
  • list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用
  • dict, e.g. {‘foo’ : [1, 3]} -> 将1,3列合并，并给合并后的列起名为"foo"
• infer_datetime_format : boolean, default False
  • 如果设定为True并且parse_dates 可用，那么pandas将尝试转换为日期类型，如果可以转换，转换方法并解析。在某些情况下会快5~10倍。
• keep_date_col : boolean, default False
  • 如果连接多列解析日期，则保持参与连接的列。默认为False。
• date_parser : function, default None
  • 用于解析日期的函数，默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方式解析，如果遇到问题则使用下一种方式。
    • 使用一个或者多个arrays（由parse_dates指定）作为参数；
    • 连接指定多列字符串作为一个列作为参数；
    • .每行调用一次date_parser函数来解析一个或者多个字符串（由parse_dates指定）作为参数。
• dayfirst : boolean, default False
  • DD/MM格式的日期类型
• iterator : boolean, default False
  • 返回一个TextFileReader 对象，以便逐块处理文件。
• chunksize : int, default None
  • 文件块的大小， See IO Tools docs for more informationon iterator and chunksize.
• compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’
  • 直接使用磁盘上的压缩文件。如果使用infer参数，则使用 gzip, bz2, zip或者解压文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’这些为后缀的文件，否则不解压。如果使用zip，那么ZIP包中国必须只包含一个文件。设置为None则不解压。
  • 新版本0.18.1版本支持zip和xz解压
• thousands : str, default None
  • 千分位分割符，如“，”或者“."
• decimal : str, default ‘.’
  • 字符中的小数点 (例如：欧洲数据使用’，‘).
• float_precision : string, default None
  • Specifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter.
  • 指定
• lineterminator : str (length 1), default None
  • 行分割符，只在C解析器下使用。
• quotechar : str (length 1), optional
  • 引号，用作标识开始和解释的字符，引号内的分割符将被忽略。
• quoting : int or csv.QUOTE_* instance, default 0
  • 控制csv中的引号常量。可选 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)
• doublequote : boolean, default True
  • 双引号，当单引号已经被定义，并且quoting 参数不是QUOTE_NONE的时候，使用双引号表示引号内的元素作为一个元素使用。
• escapechar : str (length 1), default None
  • 当quoting 为QUOTE_NONE时，指定一个字符使的不受分隔符限值。
• comment : str, default None
  • 标识着多余的行不被解析。如果该字符出现在行首，这一行将被全部忽略。这个参数只能是一个字符，空行（就像skip_blank_lines=True）注释行被header和skiprows忽略一样。例如如果指定comment=‘#‘ 解析‘#empty a,b,c 1,2,3’ 以header=0 那么返回结果将是以’a,b,c‘作为header。
• encoding : str, default None
  • 指定字符集类型，通常指定为‘utf-8‘. List of Python standard encodings
• dialect : str or csv.Dialect instance, default None
  • 如果没有指定特定的语言，如果sep大于一个字符则忽略。具体查看csv.Dialect 文档
• tupleize_cols : boolean, default False
  • Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)
• error_bad_lines : boolean, default True
  • 如果一行包含太多的列，那么默认不会返回DataFrame ，如果设置成false，那么会将改行剔除（只能在C解析器下使用）。
• warn_bad_lines : boolean, default True
  • 如果error_bad_lines =False，并且warn_bad_lines =True 那么所有的“bad lines”将会被输出（只能在C解析器下使用）。
• low_memory : boolean, default True
  • 分块加载到内存，再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe，而忽略类型（只能在C解析器中有效）
• memory_map : boolean, default False
  • 如果使用的文件在内存内，那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。

二、数据的基本展示

1 train_df.head()

结果展示

上图是读取好的数据，是表格的形式。第一列为新闻的类别，第二列为新闻的字符

三、数据分析

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

1 train_df[‘text_len‘] = train_df[‘text‘].apply(lambda x: len(x.split(‘ ‘)))
2 print(train_df[‘text_len‘].describe())

• 新增一列用于记录每个样本中句子的长度，2967是词语的标号，使用“ ”进行分割可以得到一个句子中长度

结果展示：

分析可得以下的结论：

1. 样本句子的平均长度是907
2. 最短的句子的长度是2
3. 最长的句子的长度是57921
4. 75%的句子的长度都在1100个单词左右

绘制直方图观察数据的句子长度分布情况

1 import matplotlib.pyplot as plt
2 _ = plt.hist(train_df[‘text_len‘], bins=200)
3 plt.xlim([0,8000])
4 plt.xlabel(‘Text char count‘)
5 plt.title("Histogram of char count")

结果展示:

大部分句子的长度都几种在2000以内

新闻类别分布

1 train_df[‘label‘].value_counts().plot(kind=‘bar‘)

直接使用pandas的plot可以直接绘制统计图像

在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}

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。

高频词汇的统计分析

1 from collections import Counter
2 # 将所有的text 整合在一起
3 all_lines = ‘ ‘.join(list(train_df[‘text‘]))
4 word_count = Counter(all_lines.split(" "))
5 word_count = sorted(word_count.items(), key=lambda d:d[1], reverse = True)
6 word_count

collections的Counter的方法可以对list中的词语进行统计工作，结果展示如下：

1 print(len(word_count))
2 #6869
3 print(word_count[0])
4 (‘3750‘, 7482224)

结果分析：

1. 所有句子中不重复的单词总数是6869
2. 词语量最多的是3750所代表的单词

词汇出现最多的文章统计分析

 1 # 先将text 变成set成为unique 字符，再将所有字符用‘ ’连起来放入dataframe 新的column 里
 2 train_df[‘text_unique‘] = train_df[‘text‘].apply(lambda x: ‘ ‘.join(list(set(x.split(‘ ‘)))))
 3 all_lines= ‘ ‘.join(list(train_df[‘text_unique‘]))
 4 word_counts= Counter(all_lines.split(‘ ‘))
 5 word_counts = sorted(word_counts.items(), key=lambda d:d[1], reverse = True)
 6 print(word_count[0])
 7 #(‘3750‘, 197997)
 8 print(word_count[1])
 9 #(‘900‘, 197653)
10 print(word_count[2])
11 #(‘648‘, 191975)

思路就是先将每篇文章中的单词进行去重，然后统计词语出现的文章的数量

这里还可以根据字在每个句子的出现情况，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。

数据分析的结论

通过上述分析我们可以得出以下结论：

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；
3. 赛题总共包括6000-7000个字符；

通过数据分析，我们还可以得出以下结论：

1. 每个新闻平均字符个数较多，可能需要截断；

2. 由于类别不均衡，会严重影响模型的精度；

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？

1 train_df[‘sent_len‘] = train_df[‘text‘].apply(lambda x: len(x.split(‘ 3750 ‘)))
2 train_df[‘sent_len‘].describe()

以3750为例做代码解读：

• 新增一列用于存储使用3750进行分割后的句子的数量
• 使用3750进行分割，使用len进行数据统计

结果展示：

 

 2.统计每类新闻中出现次数对多的字符

1 train_df[‘text‘] = train_df[‘text‘].apply(lambda x: x.replace(‘ 3750 ‘,‘ ‘).replace(‘ 900 ‘,‘ ‘).replace(‘ 648 ‘,‘ ‘))
2 train_df.groupby(‘label‘).text.apply(lambda x: Counter(‘ ‘.join(list(x)).split(‘ ‘)).most_common(1))

结果展示：