#学习笔记—学术前沿趋势分析
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频率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
任务目标:学习Pandas的字符串操作
数据处理步骤
在原始arxiv数据集中论文作者authors字段是一个字符串模式,其中每个作者使用逗号进行分割,所以首先需要用逗号对作者进行切分,再剔除单个作者中非常规的字符。
数据读取
# 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
data = []
with open("arxiv-metadata-oai-snapshot.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)
数据统计
统计所有作者姓名出现频率的Top10;
统计所有作者的姓(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频率
选择CS.CV类别下的论文进行处理(不同的实现方式):
str.contains()
#选择类别为cs.cv下面的论文
data2 = data[data['categories'].str.contains('cs.CV')]
#拼接所有作者
all_authors = []
for i in data2['authors_parsed']:
all_authors +=i
apply()
# 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。首先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')
统计姓氏,即authors_parsed字段中作者第一个单词
#统计姓,即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')