数据分析任务3:论文代码统计
- 正则表达式
- 数据框中各列处理apply函数和lambda的联合使用data[‘categories’] = data[‘categories’].apply(lambda x: x.split(’ ')[0])
- finall函数的返回类型依其正则表达式中()的个数不同而不同
1.数据处理步骤
在原始arxiv数据集中作者经常会在论文的comments或abstract字段中给出具体的代码链接,所以我们需要从这些字段里面找出代码的链接。
- 确定数据出现的位置;
- 使用正则表达式完成匹配;
- 完成相关的统计;
2.正则表达式
普通字符:大写和小写字母、所有数字、所有标点符号和一些其他符号
特殊字符:有特殊含义的字符
限定符
3.代码实现
import json #读取数据
import re #正则表达式
import pandas as pd
读取数据
data = []
with open("E:/datawhale数据分析/arxiv-metadata-oai-2019.json",'r') as f:
for idx,line in enumerate(f):
d = json.loads(line)
d = {
'abstract':d['abstract'],'categories':d['categories'