【Academic Trends】Task 03:论文代码统计

任务背景和目标

1. 论文代码统计
2. 正则表达式统计

数据处理步骤

1. 关注字段：comments和abstract字段
2. 确定数据出现的位置
3. 正则表达式匹配
4. 统计

正则表达式

正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。

普通字符

字符	描述
[ABC]	匹配 […] 中的所有字符，例如 [aeiou] 匹配字符串 “google runoob taobao” 中所有的 e o u a 字母。
[^ABC]	匹配除了 […] 中字符的所有字符，例如 [^aeiou] 匹配字符串 “google runoob taobao” 中除了 e o u a 字母的所有字母。
[A-Z]	[A-Z] 表示一个区间，匹配所有大写字母，[a-z] 表示所有小写字母。
.	匹配除换行符（\n、\r）之外的任何单个字符，相等于 [^\n\r]。
[\s\S]	\s 是匹配所有空白符，包括换行，\S 非空白符，包括换行。
\w	**匹配字母、数字、下划线。**等价于 [A-Za-z0-9_]

特殊字符

特别字符	描述
()	标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符，请使用 ( 和 )。
*	匹配前面的子表达式零次或多次。要匹配 * 字符，请使用 *。
+	匹配前面的子表达式一次或多次。要匹配 + 字符，请使用 +。
.	匹配除换行符 \n 之外的任何单字符。要匹配 . ，请使用 . 。
[	标记一个中括号表达式的开始。要匹配 [，请使用 [。
?	匹配前面的子表达式零次或一次，或指明一个非贪婪限定符。要匹配 ? 字符，请使用 ?。
\	将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如， ‘n’ 匹配字符 ‘n’。’\n’ 匹配换行符。序列 ‘’ 匹配 “”，而 ‘(’ 则匹配 “(”。
^	匹配输入字符串的开始位置，除非在方括号表达式中使用，当该符号在方括号表达式中使用时，表示不接受该方括号表达式中的字符集合。要匹配 ^ 字符本身，请使用 ^。
{	标记限定符表达式的开始。要匹配 {，请使用 {。
|	指明两项之间的一个选择。要匹配

限定符

字符	描述
*	匹配前面的子表达式零次或多次。例如，zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。(字符o 0次和多次）
+	匹配前面的子表达式一次或多次。例如，‘zo+’ 能匹配 “zo” 以及 “zoo”，但不能匹配 “z”。+ 等价于 {1,}。
？	匹配前面的子表达式零次或一次。例如，“do(es)?” 可以匹配 “do” 、 “does” 中的 “does” 、 “doxy” 中的 “do” 。? 等价于 {0,1}。
{n}	n 是一个非负整数。匹配确定的 n 次。例如，‘o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的两个 o。
{n,}	n 是一个非负整数。至少匹配n 次。例如，‘o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。‘o{1,}’ 等价于 ‘o+’。‘o{0,}’ 则等价于 ‘o*’。
{n,m}	m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。例如，“o{1,3}” 将匹配 “fooooood” 中的前三个 o。‘o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。

具体代码实现及讲解

1. 导包

import json
import pandas as pd
import  matplotlib.pyplot as plt
import seaborn as sns
import re

2. 读取数据

data = []
with open(r'E:\学习相关文档\datawhale\202101\arxiv-metadata-oai-2019.json\arxiv-metadata-oai-2019.json','r') as f:
    for idx,line in enumerate(f):
        d = json.loads(line)
        d =  {'abstract': d['abstract'], 'categories': d['categories'], 'comments': d['comments']}
        data.append(d)

data = pd.DataFrame(data)

data.head()

3. 筛选pages数据和绘图

#使用正则表达式匹配

data['pages'] = data['comments'].apply(lambda x :re.findall('[1-9][0-9]* pages',str(x)))

#筛选出有pages的论文

data = data[data['pages'].apply(len)>0]

#re匹配得到的是List,需进行转换
data['pages'] = data['pages'].apply(lambda x:float(x[0].replace(' pages','')))

data.head()

4. 对pages进行统计

data['pages'].describe().astype(int)

5. 聚合数据，对论文平均页数进行统计和绘图

# 选择主要类别
data['categories'] = data['categories'].apply(lambda x: x.split(' ')[0])
data['categories'] = data['categories'].apply(lambda x: x.split('.')[0])

#每类论文的平均页数
plt.figure(figsize = (12,6))
data.groupby(['categories'])['pages'].mean().plot(kind = 'bar')

6. 对论文figures进行抽取、处理和绘图

#论文图表个数进行抽取
data['figures'] = data['comments'].apply(lambda x:re.findall('[1-9][0-9]* figures',str(x)))
#选择图表不为0的行
data = data[data['figures'].apply(len)>0]
#从list中抽取页数
data['figures'] = data['figures'].apply(lambda x : float(x[0].replace(' figures','')))
#绘图
plt.figure(figsize=(12,6))
data.groupby(['categories'])['figures'].mean().plot(kind = 'bar')

7. 筛选有代码地址的论文，聚合并绘图

#筛选含有‘github’字符串的论文
data_with_code = data[(data['abstract'].str.contains('github') == True)|(data['comments'].str.contains('github')==True)]
#把comments和abstracts连接成一个字段
data_with_code['text'] = data_with_code['abstract'].fillna('') + data_with_code['comments'].fillna('')
#使用正则表达式匹配论文
#本次开源网站示例：https://github.com/datawhalechina/team-learning-data-mining/blob/master/AcademicTrends/Task3%20%E8%AE%BA%E6%96%87%E4%BB%A3%E7%A0%81%E7%BB%9F%E8%AE%A1.md
pattern = '[a-zA-z]+://github[^\s]*'
data_with_code['code_flag'] = data_with_code['text'].str.findall(pattern).apply(len)
data_with_code['code_flag'].describe()

可以看到max是3~所以应该筛选大于等于1或者不等于0的部分

#绘图
data_with_code = data_with_code[data_with_code['code_flag']>=1]
plt.figure(figsize=(12,6))
data_with_code.groupby(['categories'])['code_flag'].count().plot(kind = 'bar')