task论文作者统计

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
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。
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])
var1[-10:]: Datawhale!
var2[1:5]: Python
具体代码实现以及讲解
数据读取

# 导入所需的package
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
def readArxivFile(path, columns=['id', 'submitter', 'authors', 'title', 'comments', 'journal-ref', 'doi',
       'report-no', 'categories', 'license', 'abstract', 'versions',
       'update_date', 'authors_parsed'], count=None):
    '''
    定义读取文件的函数
        path: 文件路径
        columns: 需要选择的列
        count: 读取行数
    '''
    
    data  = []
    with open(path, 'r') as f: 
        for idx, line in enumerate(f): 
            if idx == count:
                break
                
            d = json.loads(line)
            d = {col : d[col] for col in columns}
            data.append(d)

    data = pd.DataFrame(data)
    return data

data = readArxivFile('arxiv-metadata-oai-snapshot.json', 
                     ['id', 'authors', 'categories', 'authors_parsed'],
                    100000)

为了方便处理数据,我们只选择了三个字段进行读取。

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)]

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

Text(0.5, 0, ‘Count’)

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')
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的示例代码,用于统计MCU任务的CPU占用率: ```c #include <stdint.h> // 定义一个结构体保存任务信息 typedef struct { uint32_t start_time; // 任务开始时间 uint32_t run_time; // 任务运行时间 uint8_t is_running; // 任务是否在运行 } task_t; // 定义任务数组 task_t tasks[3]; // 定义一个计时器,每个tick调用一次tick_handler() uint32_t tick_count = 0; // 每个tick调用一次该函数 void tick_handler(void) { tick_count++; for (int i=0; i<3; i++) { if (tasks[i].is_running) { tasks[i].run_time++; } } } // 任务1 void task1(void) { tasks[0].is_running = 1; tasks[0].start_time = tick_count; // 任务1的代码 tasks[0].is_running = 0; } // 任务2 void task2(void) { tasks[1].is_running = 1; tasks[1].start_time = tick_count; // 任务2的代码 tasks[1].is_running = 0; } // 任务3 void task3(void) { tasks[2].is_running = 1; tasks[2].start_time = tick_count; // 任务3的代码 tasks[2].is_running = 0; } // 计算任务的CPU占用率 float cpu_usage(int task_index) { float cpu_usage = (float)tasks[task_index].run_time / (float)(tick_count - tasks[task_index].start_time); return cpu_usage * 100.0; } // 示例代码的主函数 int main(void) { // 初始化任务数组 tasks[0].is_running = 0; tasks[0].run_time = 0; tasks[1].is_running = 0; tasks[1].run_time = 0; tasks[2].is_running = 0; tasks[2].run_time = 0; // 开始运行任务 while (1) { task1(); task2(); task3(); } return 0; } ``` 在该示例代码中,我们定义了一个`task_t`结构体来保存任务的信息,包括任务开始时间、运行时间和是否在运行。我们还定义了一个`tick_handler()`函数来处理每个tick的任务,这个函数会遍历所有任务,如果任务正在运行,就增加它的运行时间。同时,我们还定义了三个任务函数`task1()`、`task2()`和`task3()`,在这些函数中,我们设置了任务的开始时间和运行状态。最后,我们还定义了一个`cpu_usage()`函数来计算任务的CPU占用率。 在主函数中,我们初始化了任务数组,并通过一个死循环来不断运行任务。在每个tick中,`tick_handler()`函数会被调用,计算所有任务的运行时间。我们可以通过调用`cpu_usage()`函数来获取每个任务的CPU占用率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值