数据分析EDA学习总结

探索性数据分析（Exploratory Data Analysis，EDA）：是一种探索数据的结构和规律的一种数据分析方法。

其主要的工作包含：

对数据进行清洗，
对数据进行描述（描述统计量，图表），
查看数据的分布，
比较数据之间的关系，
培养对数据的直觉和对数据进行总结

EDA可以帮助我们找到适合的数据模型，本文针对文本数据，将进行具体的数据探索性分析讲解

数据：https://tianchi.aliyun.com/competition/entrance/531810/information

数据为新闻文本，并按照字符级别进行匿名处理。

整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐的文本数据

数据由以下几个部分构成：训练集20w条样本，测试集A包括5w条样本，测试集B包括5w条样本

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}

 

1.导入模块

#导入所需的模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
import seaborn as sns
import scipy
from collections import Counter

2.导入数据

#导入数据

df_train = pd.read_csv('F:\\python\\EDA\\train_set\\train_set.csv', sep='\t')
df_test = pd.read_csv('F:\\python\\EDA\\test_a\\test_a.csv', sep='\t')

3.1简单查看数据

#简单查看数据
df_train.head(),len(df_train)

 

 看看text里面的内容是什么

len(df_train['text'][0])  #5120
type(df_train['text'][0])  #str

 

3.2长度分布

3.2.1describ

#describe
df_train.describe()

#由于text是str，我们需要将数据先切分，在计算长度
 
df_text=df_train['text'].apply(lambda x: len(str(x).split()))
df_text.describe()

 

 测试集的describe

#测试集describe
df_text_test=df_test['text'].apply(lambda x: len(str(x).split()))
df_text_test.describe()

通过数据描述我们可以看出：

训练集有20万条新闻，每条新闻平均有907个字符，最短有2个字符，最长的有57921，其中75%的在1131以下
测试集有5万条新闻，每条新闻平均有909条字符，最短有14个字符，最长的有41861，其中75%在1133以下
总的来说，训练集和测试集就长度来说分布基本一致

3.2.2直方图

#画直方图
fig,ax=plt.subplots(1,1,figsize=(12,6))
ax=plt.hist(x=df_text,bins=100)
ax=plt.hist(x=df_text_test,bins=100)
plt.legend(['train_len','test_len'])

 

 

 前面文章有说过，连续性数字特征可以用sns.distplot()查看数据符合什么分布https://www.cnblogs.com/cgmcoding/p/13384535.html

#使用sns.displot()

fig, ((ax1, ax2)) = plt.subplots(nrows=1, ncols=2,figsize=(12,6))
sns.distplot(df_text,bins=100,ax=ax1)
sns.distplot(df_text_test,bins=100,ax=ax2)

 

 3.2.3同分布检验

如果p值大于0.05,则接受原假设，即是同分布

#同分布检验
import scipy
scipy.stats.ks_2samp(df_text, df_text_test)
#Out[56]: Ks_2sampResult(statistic=0.004049999999999998, pvalue=0.5279614323123156)
scipy.stats.mannwhitneyu(df_text, df_text_test)
#Out[57]: MannwhitneyuResult(statistic=4998619866.0, pvalue=0.46191187195256883)

3.2.4截断位置

上面的图画可以看出数据符合长尾分布，我们使用log(x)，看看log之后数据是否符合正态分布

#log()
#训练集
plt.figure(figsize=(12,6))
log_len_train=np.log(1+df_text)
sns.distplot(log_len_train)
plt.title('train_len')

#测试集
plt.figure(figsize=(12,6))
log_len_test=np.log(1+df_text_test)
sns.distplot(log_len_test)
plt.title('test_len')

 

 查看log之后的数据是否符合正态分布

#验证log之后的数据是否符合正态分布
#方法一、
scipy.stats.shapiro(log_len_train)
#(0.9918177127838135, 0.0)
#方法二、
scipy.stats.kstest(log_len_train, 'norm')
#KstestResult(statistic=0.9986036638974649, pvalue=0.0)

由于p值小于0.05，所以log之后的数据并不符合正态分布

但总归是要猜一个截断值的。看log图上8.5的位置比较靠谱。np.exp(8.5)=4914约等于5000，因此我初步决定把截断长度定为5000

3.3类别特征

3.3.1构造新的特征

根据text构造

text-split，将text字段分词
len，每条新闻长度
first_char，新闻第一个字符
last_char，新闻最后一个字符
most_freq，新闻最常出现的字符

构造上面的特征（跑程序时卡死了，可能是内存不够吧）

#构造特征
df_train['text_split'] = df_train['text'].apply(lambda x:x.split())
df_train['len'] = df_train['text'].apply(lambda x:len(x.split()))
df_train['first_char'] = df_train['text_split'].apply(lambda x:x[0])
df_train['last_char'] = df_train['text_split'].apply(lambda x:x[-1])
df_train['most_freq'] = df_train['text_split'].apply(lambda x:np.argmax(np.bincount(x)))
df_train.head()

构建一个label信息表

count，该类别新闻个数
len_mean，该类别新闻平均长度
len_std，该类别新闻长度标准差
len_min，该类别新闻长度最小值
len_max，该类别新闻长度最大值
freq_fc，该类别新闻最常出现的第一个字符
freq_lc，该类别新闻最常出现的最后一个字符
freq_freq，该类别新闻最常出现的字符

#构造label的特征

df_train_info = pd.DataFrame(columns=['count','len_mean','len_std','len_min','len_max','freq_fc','freq_lc','freq_freq'])
for name, group in df_train.groupby('label'):
    count = len(group) # 该类别新闻数
    len_mean = np.mean(group['len']) # 该类别长度平均值
    len_std = np.std(group['len']) # 长度标准差
    len_min = np.min(group['len']) # 最短的新闻长度
    len_max = np.max(group['len']) # 最长的新闻长度
    freq_fc = np.argmax(np.bincount(group['first_char'])) # 最频繁出现的首词
    freq_lc = np.argmax(np.bincount(group['last_char'])) # 最频繁出现的末词
    freq_freq = np.argmax(np.bincount(group['most_freq'])) # 该类别最频繁出现的词
    df_train_info.loc[name] = [count,len_mean,len_std,len_min,len_max,freq_fc,freq_lc,freq_freq]
df_train_info

3.3.2类别分布

需要验证一下y值，即是label的分布是否均匀

#label的分布
label_2_index_dict = {'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}
index_2_label_dict = {v:k for k,v in label_2_index_dict.items()}

plt.figure()
plt.bar(x=range(14), height=np.bincount(df_train['label']))
plt.xlabel("label")
plt.ylabel("number of sample")
plt.xticks(range(14), list(index_2_label_dict.values()), fontproperties=zhfont, rotation=60)
plt.show()

#df_train['label'].plot.bar()

df_train['label'].value_counts()

 

 

 

 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。
科技类新闻最多，星座类新闻最少。这个国家的人大部分是唯物主义者哈，神秘学受众比较少（啊这，我在分析什么？）。
由于类别不均衡，会严重影响模型的精度。但是我们也是有办法应对的

3.3.3label长度

df_train['len'] = df_train['text'].apply(lambda x: len(x.split()))
plt.figure()
ax = sns.catplot(x='label', y='len', data=df_train, kind='strip')
plt.xticks(range(14), list(index_2_label_dict.values()), fontproperties=zhfont, rotation=60)

 

在散点图中，股票类新闻的长度都飘到天上去了，可以看出股票分析类文章真的很容易写得又臭又长啊（发现：不同类别的文章长度不同，可以把长度作为一个Feature，以供机器学习模型训练）

 

 3.4字符分布

训练集中总共包括6869个字，最大数字为7549，最小数字为0，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，仅出现一次

# 内存警告！！！没有8G内存不要运行该代码
all_lines = ' '.join(list(df_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))
# 6869

print(word_count[0])
# ('3750', 7482224)

print(word_count[-1])
# ('3133', 1)

下面代码统计了不同字符在多少个句子中出现过，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：

%%time
df_train['text_unique'] = df_train['text'].apply(lambda x: ' '.join(list(set(x.split(' ')))))
all_lines = ' '.join(list(df_train['text_unique']))
word_count = Counter(all_lines.split(" "))
word_count = sorted(word_count.items(), key=lambda d:int(d[1]), reverse=True)
# 打印整个训练集中覆盖率前5的词
for i in range(5):
    print("{} occurs {} times, {}%".format(word_count[i][0], word_count[i][1], (word_count[i][1]/200000)*100))

 

 

4、总结分析

数据分析肯定要有结论，没有结论的数据分析是不完整的

训练集共200,000条新闻，每条新闻平均907个字符，最短的句子长度为2，最长的句子长度为57921，其中75%以下的数据长度在1131以下。测试集共50,000条新闻，每条新闻平均909个字符，最短句子长度为14，最长句子41861,75%以下的数据长度在1133以下。
训练集和测试集就长度来说似乎是同一分布，但是不属于正态分布。
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。需要用采样方法解决。文章最长的是股票类新闻。不同类别的文章长度不同，可以把长度和句子个数作为一个Feature，以供机器学习模型训练。
训练集中总共包括6869个字，最大数字为7549，最小数字为0，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，仅出现一次，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。
900很有可能是句号，2662和885则很有可能为感叹号和问号，3750出现频率很高但是基本不在新闻最后出现，因此初步判断为逗号。按照这种划分，训练集中每条新闻平均句子个数约为19。
在训练集中，不同类别新闻出现词汇有特色。但是需要把共有的常用词停用。自然想到利用TF-IDF编码方式。