Task2：论文作者统计

一、 体残小白的吐槽

1. 代码还是不能理解，比Task1的时候好，里面奥妙没有掌握；
2. 一天学习的时间有限，前几天Task1的超时间的学习，导致了“突出”的复发，“南”，
3. 虽然“南”，每天都有收获，唯有坚持。

二、 实际操作

1.导入所需包

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

小结：重新建Python,这步也需要（针对：24K小白）

2. 数据读取

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(r'E:\04\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)

小结：“with open(r’E:\04\arxiv-metadata-oai-snapshot.json’, ‘r’) as f:”也许看不懂代码，文件路径是可以理解

3.数据统计

接下来我们将完成以下统计操作：

• 统计所有作者姓名出现频率的Top10；
• 统计所有作者姓（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评率。

（1） 为了节约计算时间，下面选择部分类别下的论文进行处理：

# 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'], [])  

（2） 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。我们一先来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')

（3） 绘制得到的结果：

（4）接下来统计姓名姓，也就是 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') 

（5）绘制得到的结果，从结果看出这些都是华人或者中国姓氏~

小结：知道结果，过程没有吃透，强行理解，头裂

三、 总结

每次学习都会收获，从一开始不知道，Anaconda软件操作，到熟悉Anaconda软件操作；从不知道如何下手，到向优秀同学的博格学习代码，与教程代码的分析，总结适合自己代码，与其他同学沟通交流，总学习的方法；像剥洋葱一点点剥有点慢，会有豁然开朗的一天。