2021-01-16

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；

数据处理步骤与字符串处理

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

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。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。

具体代码实现以及讲解

导入需要的库并读取数据，选择需要种类的论文并将所有作者拼接成列表形式。

import seaborn as sns #用于画图
from bs4 import BeautifulSoup #用于爬取arxiv的数据
import re #用于正则表达式，匹配字符串的模式
import requests #用于网络连接，发送网络请求，使用域名获取对应信息
import json #读取数据，我们的数据为json格式的
import pandas as pd #数据处理，数据分析
import matplotlib.pyplot as plt #画图工具
data = []
with open("C:/Users/阿偲/Desktop/arxiv-metadata-oai-2019.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)
# 选择类别为cs.CV下面的论文
data2 = data[data['categories'].apply(lambda x: 'cs.CV' in x)]
# 拼接所有作者
all_authors = sum(data2['authors_parsed'], [])

 提取所有作者的姓名并绘制直方图。此处和提供的教程相比删去了以下两段，并将x/y坐标轴名称的绘制放在了前面。因为这两段和下面的最后一段有所重复。具体的写在注释中

names = authors_names[0].value_counts().index.values[:10]#在作者姓名中提取第一列并计数，由此取出排位前十的数
_ = plt.yticks(range(0, len(names)), names)#绘制y轴的坐标格（也就是十个格)

 具体实现和运行结果如下。

authors_names = [' '.join(x) for x in all_authors]
authors_names = pd.DataFrame(authors_names)
plt.figure(figsize=(10, 6))
plt.ylabel('Author')
plt.xlabel('Count')
authors_names[0].value_counts().head(10).plot(kind='barh')

 同理做出姓氏分布和姓氏首字母分布。

# 姓氏分布
authors_lastnames = [x[0] for x in all_authors]
authors_lastnames = pd.DataFrame(authors_lastnames)
plt.figure(figsize=(10, 6))
plt.ylabel('Lastname')
plt.xlabel('Count')
authors_lastnames[0].value_counts().head(10).plot(kind='barh')

#做姓氏首字母分布直方图
Firstword = [x[0][0] for x in all_authors]
Firstword = pd.DataFrame(Firstword)
plt.figure(figsize=(10, 6))
plt.ylabel('Firstword')
plt.xlabel('Count')
Firstword[0].value_counts().head(10).plot(kind='barh')