Task2:论文作者统计
任务背景
本任务的背景为使用公开的arXiv论文完成相应的数据分析操作,并且完成具体的可视化分析。
任务描述
论文作者统计,即统计所有论文作者出现频率Top10的姓名。
数据集介绍
数据集来源:数据集链接
数据集的各个特征的含义如下:
通过以上字段含义信息,可以发现,在本任务中,我们关心的字段有’authors’,‘categories’,以及’authors_parsed’。
具体思路以及代码实现
导入package并读取原始数据
# 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
# 读入数据,为了方便处理数据,我们只选择了三个字段进行读取
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)
data.head