Lingmoumou's Blog

きっといつかって愿うまま

0%

Day1 数据初识

任务

建立模型通过长文本数据正文(article),预测文本对应的类别(class)

数据

数据包含2个csv文件:

  1. train_set.csv 此数据集用于训练模型,每一行对应一篇文章。文章分别在“字”和“词”的级别上做了脱敏处理。共有四列:
    第一列是文章的索引(id),第二列是文章正文在“字”级别上的表示,即字符相隔正文(article);第三列是在“词”级别上的表示,即词语相隔正文(word_seg);第四列是这篇文章的标注(class)。
    注:每一个数字对应一个“字”,或“词”,或“标点符号”。“字”的编号与“词”的编号是独立的!

  2. test_set.csv:此数据用于测试。数据格式同train_set.csv,但不包含class。
    注:test_set与train_test中文章id的编号是独立的。

评分标准

评分算法:binary-classification
采用各个品类F1指标的算术平均值,它是Precision 和 Recall 的调和平均数。

其中,Pi是表示第i个种类对应的Precision, Ri是表示第i个种类对应Recall。


代码

1
2
3
4
5
6
7
8
9
import pandas as pd

data_train = pd.read_csv('../dc-nlp/data/train_set.csv')
data_test = pd.read_csv('../dc-nlp/data/test_set.csv')

data_train.drop(columns='article', inplace=True)
data_test.drop(columns='article', inplace=True)
f_all = pd.concat(objs=[data_train, data_test], axis=0, sort=True)
y_train = (data_train['class'] - 1).values