【nlp】天池学习赛-新闻文本分类-机器学习

目录

1、读取数据 

查看句子长度 

2、可视化 

2.1、新闻的字数分布

 2.2、新闻文本类别统计

 3、数据分析

 3.1、统计每个字符出现的次数

3.2、统计不同字符在句子中出现的次数

4、文本特征提取

4.1、CountVectors+RidgeClassifier

4.2、TF-IDF + RidgeClassifier 

4.3、MultinomialNB +CountVectors

4.4、MultinomialNB +TF-IDF

4.5、 绘图

---

1、读取数据 

import pandas as pd
import seaborn as sns
 
#  nrows=100  设置读取100行数据
train_df = pd.read_csv('新建文件夹/天池—新闻文本分类/train_set.csv', sep='\t')  
print(train_df.head())

   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...

查看句子长度 

#句子长度分析
train_df['text_len'] = train_df['text'].apply(lambda x: len(x.split(' ')))
print(train_df['text_len'].describe())
#平均长度907.207110

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

2、可视化 

2.1、新闻的字数分布

由图可知，字数 10000以上的新闻文本是极少数，小于5000

import matplotlib.pyplot as plt
_ = plt.hist(train_df['text_len'], bins=200)
plt.xlabel('Text char count')
plt.title("Histogram of char count")
plt.show()

 2.2、新闻文本类别统计

train_df['label'].value_counts().plot(kind = 'bar')
plt.title('News class count')
plt.xlabel('category')
plt.show()

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}

• 由图知，科技，股票，体育类别的新闻占比最多

 3、数据分析