Task2:论文作者统计
一、 体残小白的吐槽
- 代码还是不能理解,比Task1的时候好,里面奥妙没有掌握;
- 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”,
- 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。