数据分析-(学术前沿趋势分析)-task2

数据分析-(学术前沿趋势分析)-task2

分析

论文作者统计，统计所有论文作者出现评率Top10的姓名。

知识点

1. 拿到数据集，先看下特征量，找到与作者相关的特征；提取出来（dict）
2. 用pandas看下数据结构（展示前几行，有个大致轮廓）；
3. 可视化（matplotlib图）

个人需要补充的点

1. 本次作业比较简单，还是熟练python中pandas、matplotlib库用法

Q&A

1. sum用法，拼接作者的时候，pd格式的 [[Pal, Mahesh, ]]拼接后成[‘Pal’, ‘Mahesh’, ‘’]，处理后是list列表

sum(data2[‘authors_parsed’],[])

2. 列表里内容的提取、拼接

[’ '.join(x)for x in all_authors]
[x[0] for x in all_authors]
[x[0] for x in authors_lastname[0]]

code

import json
import pandas as pd
import matplotlib.pyplot as plt


# 统计作者TOP10
data = []
pre = []
with open('arxiv-metadata-oai-2019.json','r') as f:
    for idx, line in enumerate(f):
        d = json.loads(line)
        pre.append(d)
        d = {'authors:':d['authors'],'categories':d['categories'],'authors_parsed':d['authors_parsed']}
        data.append(d)
data=pd.DataFrame(data)

#作者姓名出现Top10
#作者姓出现Top10
#所有作者姓第一个字符的频率

#节约计算时间，取cv部分论文的作者实验
data2 = data[data['categories'].apply(lambda x:'cs.CV' in x)]
### 拼接作者，用sum函数，作者列表与[]sum方式，处理后all_authors是list
all_authors = sum(data2['authors_parsed'],[])

authors_names=[' '.join(x)for x in all_authors]
authors_names = pd.DataFrame(authors_names)
plt.figure(figsize=(10,6))
authors_names[0].value_counts().head(10).plot(kind='barh')
names = authors_names[0].value_counts().index.values[:10]
_ = plt.yticks(range(0,len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')

#统计姓
authors_lastname = [x[0] for x in all_authors]
authors_lastname = pd.DataFrame(authors_lastname)
plt.figure(figsize=(10,6))
authors_lastname[0].value_counts().head(10).plot(kind='barh')
names = authors_lastname[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')

#姓第一个字符
authors_lastname1 = [x[0] for x in authors_lastname[0]]
authors_lastname1 = pd.DataFrame(authors_lastname1)
plt.figure(figsize=(10, 6))
authors_lastname1[0].value_counts().head(10).plot(kind='barh')
names = authors_lastname1[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')