DataWhale——数据分析组队学习Day4
前言
这一节是第二个任务了,论文作者统计.
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;
数据读取
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
data = []
with open("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)
print(data)
为了⽅便处理数据,我们只选择了三个字段进⾏读取,并且数据集是2019的,并不是全部的.
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'], [])
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。
# 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')
plt.show()
如下图所示:
我们可以看到“Tao Dacheng”在2019年发的论文数量最多.
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')
plt.show()
如图所示:
我们可以看到姓wang的作者最多.
统计所有作者姓第⼀个字符的频率,这个流程与上述的类似,同学们可以⾃⾏尝试。