任务3:论文文代码统计
一、 小白的苦恼
1.杨助教虽然视频讲解了Task1、Task2,一听就懂,一做就不会;
录播地址:https://tianchi.aliyun.com/course/video?liveId=41284
2. 有个学习Pandas的好网站:
https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html。
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
2. 统计论文页数
也就是在comments字段中抽取pages和figures和个数,首先完成字段读取。
def readArxivFile(path, columns=['id', 'submitter', 'authors', 'title', 'comments', 'journal-ref', 'doi',
'report-no', 'categories', 'license', 'abstract', 'versions',
'update_date', 'authors_parsed'], count=None):
'''
定义读取文件的函数
path: 文件路径
columns: 需要选择的列
count: 读取行数
'''
data = []
with open(r'E:\06\arxiv-metadata-oai-snapshot.json', 'r') as f:
for idx, line in enumerate(f):
if idx == count:
break
d = json.loads(line)
d = {col : d[col] for col in columns}
data.append(d)
data = pd.DataFrame(data)
return data
data = readArxivFile('E:\06\arxiv-metadata-oai-snapshot.json', ['id', 'abstract', 'categories', 'comments'])
3.数据抽取:
(1) 对pages进行抽取:
# 使⽤用正则表达式匹配,XX pages
data['pages'] = data['comments'].apply(lambda x: re.findall('[1-9][0-9]*
pages', str(x)))
# 筛选出有pages的论⽂文
data = data[data['pages'].apply(len) > 0]
# 由于匹配得到的是⼀一个list,如['19 pages'],需要进⾏行行转换
data['pages'] = data['pages'].apply(lambda x: float(x[0].replace(' pages',
'')))
(2) 对pages进行行统计:
data['pages'].describe().astype(int)
统计结果如下:论文平均的页数为17页,75%的论文在22页以内,最长的论文有11232页。
count 1089180
mean 17
std 22
min 1
25% 8
50% 13
75% 22
max 11232
Name: pages, dtype: int32
(3)接下来按照分类统计论文页数,选取了论文的第一个类别的主要类别:
# 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')
(4)接下来对论文图表个数进行行抽取:
data['figures'] = data['comments'].apply(lambda x: re.findall('[1-9][0-9]*figures', str(x)))
data = data[data['figures'].apply(len) > 0]
data['figures'] = data['figures'].apply(lambda x: float(x[0].replace('figures', '')))
(5)对论文的代码链接进行提取,为了了简化任务我们只抽取github链接:
# 筛选包含github的论⽂文
data_with_code = data[
(data.comments.str.contains('github')==True)|
(data.abstract.str.contains('github')==True)
]
data_with_code['text'] = data_with_code['abstract'].fillna('') +data_with_code['comments'].fillna('')
# 使⽤用正则表达式匹配论⽂文
pattern = '[a-zA-z]+://github[^\s]*'
data_with_code['code_flag'] = data_with_code['text'].str.findall(pattern).apply(lambda x : 0 if len(x) <1 else 1)
(6)并对论文按照类别进行绘图:
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')
三、 总结
依旧依葫芦画瓢;现在看到它们不会头疼了,可以一点一点理解,需要更多的时间,也许等我做完所有task,回过头复习应该有更多收获。