task01

本次学习来自Coogle数据科学：30天入门数据竞赛

学习赛来自于：https://tianchi.aliyun.com/competition/entrance/531810/information

import numpy as np
import pandas as pd

data_path = 'data/'
save_path = 'result/'

train_data = pd.read_csv(data_path+'train_set.csv')
test_data = pd.read_csv(data_path+'test_a.csv')

# 查看训练数据
train_data.head()

# 查看测试集
test_data.head()

可以看到我们的训练数据集是以’t’进行分隔的字符串，需要我们手动将其改成dataframe的格式

train_df = pd.read_csv(data_path+'train_set.csv', sep='t')

#统计每行单词数
train_df['word'] = train_df['text'].apply(lambda x: len(x.split(' ')))

train_df

200000 rows × 3 columns

赛题以新闻数据为赛题数据，数据集报名后可见并可下载。赛题数据为新闻文本，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。
赛题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。为了预防选手人工标注测试集的情况，我们将比赛数据的文本按照字符级别进行了匿名处理。处理后的赛题训练数据如下：

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}

评价标准为类别f1_score的均值，选手提交结果与实际测试集的类别进行对比，结果越大越好。

可以通过sklearn完成f1_score计算：

from sklearn.metrics import f1_score
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
f1_score(y_true, y_pred, average='macro')