【寒假组队】数据分析-task02学术前沿趋势分析

最新推荐文章于 2024-09-15 22:31:42 发布

zln不会敲代码

最新推荐文章于 2024-09-15 22:31:42 发布

阅读量130

点赞数

分类专栏：大数据文章标签： python

本文链接：https://blog.csdn.net/weixin_43978108/article/details/112725882

版权

大数据专栏收录该内容

2 篇文章 0 订阅

订阅专栏

该博客介绍了如何利用Pandas处理arxiv元数据集，统计论文作者的频率。首先，通过读取json数据，然后使用字符串操作和正则表达式处理作者字段，将作者按类别（如cs.CV）筛选出来并合并。接着，统计了全名和姓氏的出现频率，并绘制了直方图展示前10位的高频作者。这个过程展示了Pandas在数据处理和分析中的应用。

摘要由CSDN通过智能技术生成

#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')

在这里插入图片描述

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')