数据分析task2论文作者统计

---

一、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；

二、数据集说明

数据集来源：数据集链接；
数据集格式见数据分析task1;

三、数据处理概述及方法

1.数据处理步骤概述

    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

    由于在原始数据集中authors_parsed字段已经帮我们处理好了作者信息，所以我们可以直接使用该字段完成后续统计。

2.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:]) #切片的使用
print("var2[1:5]: ", var2[0:7])

结果如下：
var1[-10:]: Datawhale!
var2[1:5]: Python

---

    同时在Python中还支持转义符：

（在行尾时）	续行符
/	反斜杠符号
‘	单引号
“	双引号
\n	换行
\t	横向制表符
\r	回车

---

    Python中还内置了很多内置函数，非常方便使用：

方法	描述
string.capitalize()	把字符串的第一个字符大写
string.isalpha()	如果 string 至少有一个字符并且所有字符都是字母则返回 True,否则返回 False
string.title()	返回"标题化"的 string,就是说所有单词都是以大写开始，其余字母均为小写(见 istitle())
string.upper()	转换 string 中的小写字母为大写

四、数据处理

1.数据读取

导入函数库

# 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

读取数据（为了方便处理数据，我们只选择了三个字段进行读取）

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)

2.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：
提示：这里对文章进行总结：

# 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。

# 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')

     结果如下：

    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')