文章目录
前言
学习主题:论⽂作者统计(数据统计任务),统计所有论⽂作者出现评率Top10的姓名;相关的数据集在专栏的第一篇文章一、预备工作
1.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;
以下基于python3.8 jupyter环境中运行
2.字符串处理知识
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:])
print("var2[1:5]: ", var2[0:7])
#var1[-10:]: Datawhale!
#var2[1:5]: Python
#
转义字符:
内置函数:
二、操作步骤
1.引入库
# 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
2.读入数据
file_path = r"C:\Users\monster\Desktop\Data King\archive\arxiv-metadata-oai-snapshot.json"
data = pd.read_csv(
'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())
3.选择部分论文进行处理
3.1选则cs.cv下面的论文
# 选择类别为cs.CV下⾯的论⽂
data2 = data[data['categories'].apply(lambda x: 'cs.CV' in x)]
data2
输出结果:
可以看到author_parsed一栏数据 姓和名是分开储存在列表中,接下来拼接姓名
3.2拼接所有作者姓名
# 拼接所有作者
all_authors = sum(data2['authors_parsed'], []) #Series 转化为列表list
authors_names = [' '.join(x) for x in all_authors] #拼接好储存在list中
authors_names = pd.DataF