论文作者统计（pandas字符串操作）

论文作者统计（pandas字符串操作）

github
涉及知识点如下：
1、data[‘categories’].apply(lambda x: ‘cs.CV’ in x)结果理解
2、sum函数的嵌套列表元素合并
3、dataframe和series中value_counts函数的使用

代码如下：

# 导入所需的package
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

# 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'], [])

知识点1：data[‘categories’].apply(lambda x: ‘cs.CV’ in x)结果理解
lambda是一个匿名函数。函数体为 ‘cs.CV’ in x，即对data[‘categories’]中的每行元素通过apply进行判别，结果为True或False
从而实现对类别的选择

知识点2:sum函数的嵌套列表元素合并
sum(data2[‘authors_parsed’], [])
其中data2[‘authors_parsed’]，是一个嵌套结构，最外层的每一个元素均由列表构成，列表中的元素为论文作者。
sum函数有两个参数，sun(iterable,start),start为求和的初始值，iterable为可迭代对象，sum会把可迭代对象内元素加到初始值上。也就是返回结果为start+iterable中的所有元素

例：
sum([[1,2],[3,4]], [5])
out:[5]+[1,2]+[3,4]
[5,1,2,3,4]

sum([[1,2],[3,4]], [[5]])
out:[[5]]+[1,2]+[3,4]
[[5],1,2,3,4]

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')

知识点3、dataframe和series中value_counts函数的使用
作用是计算dataframe或series中各字符串出现的次数，默认对频率降序排列

完整语法和参数为
Series.value_counts(normalize=False, sort=True, ascending=False, bins=None, dropna=True)
normalize代表计数项归一化，sort代表排序默认降序，ascending表示升序排列，bins指的是对数值型数据的分段计数，dropna表示不包括对NA的计数

统计姓名的姓

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')