数据分析-任务2:论文作者统计

文章目录

  • 2.1 任务说明
  • 2.2 数据处理步骤
  • 2.3 字符串处理
  • 2.4 具体代码实现以及讲解
    • 2.4.1 数据读取
    • 2.4.2 数据统计

2.1 任务说明

  • 任务主题:论文作者统计,统计所有论文作者出现评率Top10的姓名;
  • 任务内容:论文作者的统计、使用 Pandas 读取数据并使用字符串操作;
  • 任务成果:学习 Pandas 的字符串操作;

2.2 数据处理步骤

在原始arxiv数据集中论文作者authors字段是一个字符串格式,其中每个作者使用逗号进行分隔分,所以我们我们首先需要完成以下步骤:

  • 使用逗号对作者进行切分;
  • 剔除单个作者中非常规的字符;
  • 具体操作可以参考以下例子:
C. Bal\\'azs, E. L. Berger, P. M. Nadolsky, C.-P. Yuan

# 切分为,其中\\为转义符

C. Ba'lazs
E. L. Berger
P. M. Nadolsky
C.-P. Yuan

当然在原始数据集中authors_parsed字段已经帮我们处理好了作者信息,可以直接使用该字段完成后续统计。

2.3 字符串处理

在Python中字符串是最常用的数据类型,可以使用引号('或")来创建字符串。Python中所有的字符都使用字符串存储,可以使用方括号来截取字符串,如下实例:

var1 = 'Hello Datawhale!'
var2 = "Python Everwhere!"
 
print("var1[-10:]: ", var1[-10:])
print("var2[1:5]: ", var2[0:7])

执行结果为:

var1[-10:]:  Datawhale!
var2[1:5]:  Python 

使用split可以达到类似的效果:

print("var1[-10:]: ",var1.split(' ')[0])
print("var2[1:5]: ",var2.split(' ')[0])

执行结果为:

var1[-10:]:  Datawhale!
var2[1:5]:  Python 

同时在Python中还支持转义符:
数据分析-任务2:论文作者统计_第1张图片
Python中还内置了很多内置函数,非常方便使用:
数据分析-任务2:论文作者统计_第2张图片
还可以使用正则表达式匹配复合规则的文本以及替换等操作,更多内容可以看我之前写的文本数据操作,基本可以满足日常使用。

2.4 具体代码实现以及讲解

2.4.1 数据读取

import json  # 读取数据,我们的数据为json格式的

data = []
with open("./data/arxiv-metadata-oai-snapshot.json", 'r') as f: 
    for idx, line in enumerate(f): 
        d = json.loads(line)
        d = {
     'authors': d['authors'], 'categories': d['categories'], 'authors_parsed': d['authors_parsed']}
        data.append(d)
        
data = pd.DataFrame(data)

看下数据样式:
数据分析-任务2:论文作者统计_第3张图片
为了方便处理数据,我们只选择了三个字段进行读取。

2.4.2 数据统计

接下来我们将完成以下统计操作:

  • 统计所有作者姓名出现频率的Top10;
  • 统计所有作者姓(姓名最后一个单词)的出现频率的Top10;
  • 统计所有作者姓第一个字符的评率;
  • 为了节约计算时间,下面选择部分类别下的论文进行处理:
# 选择类别为cs.CV下面的论文
data2 = data[data['categories'].apply(lambda x: 'cs.CV' in x)]
data2

数据分析-任务2:论文作者统计_第4张图片

# 拼接所有作者
all_authors = sum(data2['authors_parsed'], [])
all_authors

数据分析-任务2:论文作者统计_第5张图片

处理完成后all_authors变成了所有一个list,其中每个元素为一个作者的姓名。我们首先来完成姓名频率的统计。

# 拼接所有的作者
authors_names = [' '.join(x) for x in all_authors]
authors_names = pd.DataFrame(authors_names)

# 根据作者频率绘制直方图
plt.figure(figsize=(10, 6))
authors_names[0].value_counts().head(10).plot(kind='barh')

# 修改图配置
names = authors_names[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')

数据分析-任务2:论文作者统计_第6张图片
接下来统计姓名姓,也就是authors_parsed字段中作者第一个单词:

authors_lastnames = [x[0] for x in all_authors]
authors_lastnames = pd.DataFrame(authors_lastnames)

plt.figure(figsize=(10, 6))
authors_lastnames[0].value_counts().head(10).plot(kind='barh')

names = authors_lastnames[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')

数据分析-任务2:论文作者统计_第7张图片
统计所有作者姓第一个字符的评率,这个流程与上述的类似:

authors_lastnames_firstchar = [x[0][0] for x in all_authors]
authors_lastnames_firstchar = pd.DataFrame(authors_lastnames_firstchar)

plt.figure(figsize=(10, 6))
authors_lastnames_firstchar[0].value_counts().head(10).plot(kind='barh')

names = authors_lastnames_firstchar[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')

数据分析-任务2:论文作者统计_第8张图片

你可能感兴趣的