Analisis Data Penerokaan: Menggali Melalui Tunggakan

Dalam kisah inspirasi Six Triple Eight, langkah pertama misi mereka adalah untuk menilai dan mengatur banyak tunggakan mel yang tidak dihantar. Tindanan ini, menjulang ke siling, perlu dikategorikan dan difahami sebelum sebarang kemajuan boleh dibuat. Dalam dunia pembelajaran mesin moden, fasa awal ini serupa dengan Analisis Data Penerokaan (EDA).

Untuk siri ini, kami akan meniru proses ini menggunakan set data CSV, di mana setiap baris mengandungi kategori (mis., "teknologi," "perniagaan") dan teks yang dikaitkan dengannya. Kategori berfungsi sebagai label, menunjukkan di mana setiap bahagian teks berada. Alat seperti Pandas untuk manipulasi data, Matplotlib untuk visualisasi, WordCloud untuk cerapan teks, Tiktoken untuk analisis token dan NLTK untuk pemprosesan teks akan membantu kami memahami set data kami.

Dalam langkah ini, kami akan:

1. Muatkan data dan periksa strukturnya.

2. Kenal pasti nilai yang hilang atau tidak konsisten yang boleh menghalang prestasi model kami.

3. Teroka pengedaran kategori untuk memahami keseimbangan antara label.

4. Visualkan kekerapan perkataan dalam data teks untuk mendedahkan corak.

5. Analisis kiraan token menggunakan Tiktoken untuk mengukur kerumitan.

Fasa EDA ini mencerminkan usaha pengisihan teliti Six Triple Eight, yang perlu memahami keadaan huru-hara sebelum mereka dapat mengatur. Dengan memahami set data kami secara terperinci, kami meletakkan asas untuk membina LLM diperhalusi yang mampu mengkategorikan dan mentafsir teks dengan tepat.

pengenalan

Analisis Data Penerokaan (EDA) adalah serupa dengan menangani tunggakan data yang menakutkan—bertindan tinggi, tidak teratur dan penuh dengan potensi yang belum diterokai. Sama seperti unit Six Triple Eight yang menangani tunggakan mel yang tidak dihantar semasa Perang Dunia II, EDA ialah cara kami menyaring kekacauan untuk mendedahkan cerapan, mengenal pasti arah aliran dan bersedia untuk peringkat analisis data seterusnya.

Dalam penerokaan ini, kami akan menyelami set data artikel berita BBC, membongkar strukturnya, menangani ketidakkonsistenan dan mendedahkan cerita yang terkubur dalam data."

Menilai Backlog: Gambaran Keseluruhan Set Data

Untuk bermula, kami mesti memahami skala dan struktur set data kami terlebih dahulu. Set data artikel berita BBC terdiri daripada 2,234 entri yang diedarkan merentas lima kategori: perniagaan, sukan, politik, teknologi dan hiburan. Setiap entri mempunyai dua ciri utama:

• kategori: Topik atau bahagian artikel.
• teks: Kandungan penuh artikel.

Untuk mendapatkan pandangan yang lebih jelas tentang perkara yang sedang kami usahakan, kami memuatkan data ke dalam Pandas DataFrame, melakukan pemeriksaan pantas dan menemui:

Membersihkan Backlog

Memandangkan Six Triple Eight menangani longgokan mel yang tidak diisih, kami juga perlu menyusun set data kami. Proses pembersihan melibatkan beberapa langkah utama:

• Mengalih Keluar Pendua
  Artikel pendua mengeruhkan set data. Selepas mengenal pasti dan mengalih keluar lebihan ini.

• Mengendalikan Nilai Yang Hilang
  Walaupun set data kami agak bersih, kami memastikan bahawa sebarang nilai null berpotensi ditangani, tidak meninggalkan entri kosong dalam data akhir."

Memecahkan Kategori

Dengan tunggakan dihapuskan, kami menganalisis pengedaran artikel merentas kategori untuk mengenal pasti tema dominan. Inilah yang kami temui:

• Kategori Teratas: Perniagaan dan sukan terikat untuk bahagian terbesar, setiap satu mengandungi 512 artikel.

• Kategori Lebih Kecil: Hiburan, politik dan teknologi mempunyai lebih sedikit artikel tetapi menawarkan cerapan unik.

Pengagihan mengesahkan bahawa set data adalah seimbang, membolehkan kami menumpukan pada analisis yang lebih mendalam tanpa perlu risau tentang ketidakseimbangan kategori yang ketara."

Zum Masuk: Artikel Sukan Di Bawah Mikroskop

Sama seperti mengisih mel mengikut destinasinya, kami memilih untuk menumpukan pada kategori sukan untuk menyelam lebih mendalam. Matlamatnya adalah untuk menganalisis kandungan teks dan mengekstrak corak yang bermakna."

• Penyingkiran Tokenisasi dan Kata Henti
  Menggunakan pustaka NLTK, kami menandakan teks menjadi perkataan individu dan mengalih keluar kata henti biasa (cth., 'dan,' 'the,' 'is'). Ini membolehkan kami menumpukan pada perkataan yang lebih penting kepada kategori."

• Analisis Kekerapan Perkataan
  Taburan kekerapan telah dibuat untuk mengenal pasti istilah yang paling biasa dalam artikel sukan. Tidak mengejutkan, perkataan seperti 'perlawanan,' 'pasukan' dan 'permainan' didominasi, mencerminkan sifat daya saing kandungan."

Membayangkan Penemuan: Awan Kata
Untuk menangkap intipati artikel sukan, kami menghasilkan awan perkataan. Istilah yang paling kerap digunakan kelihatan lebih besar, melukiskan gambaran jelas tentang tema teras kategori."

Pengambilan Utama

Sama seperti Six Triple Eight menyusun dan menghantar mel tertunggak dengan teliti, proses EDA kami telah mendedahkan pandangan tersusun dan berwawasan bagi set data berita BBC.

Kod

!pip install tiktoken
!pip install matplotlib
!pip install wordcloud
!pip install nltk
!pip install pandas

import pandas as pd

df = pd.read_csv('/content/bbc.csv', on_bad_lines='skip')  


df.head()

df.info()

df.describe()

label_count = df['category'].value_counts()


len(df['text'])


df.drop_duplicates(inplace=True)

null_values = df.isnull().sum()

df.dropna(inplace=True)

import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
from wordcloud import WordCloud
from collections import Counter
import matplotlib.pyplot as plt


nltk.download('punkt')
nltk.download('stopwords')
nltk.download('punkt_tab') 


target_label ="sport"
target_df = df[df['category'] == target_label]



target_word = [ word.lower()  for text in target_df['text']
                 for word in word_tokenize(text)
                 if word.isalnum() and word not in stopwords.words('english')
                   ]

target_word_count = Counter(target_word)


word_cloud = WordCloud().generate_from_frequencies(target_word_count)


plt.figure(figsize=(10, 5))
plt.imshow(word_cloud, interpolation='bilinear')
plt.axis('off')
plt.show()

Atas ialah kandungan terperinci Analisis Data Penerokaan: Menggali Melalui Tunggakan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!