任务说明
- 任务主题:论文作者统计,统计所有论文作者出现评率Top10的姓名;
- 任务内容:论文作者的统计、使用 Pandas 读取数据并使用字符串操作;
- 任务成果:学习 Pandas 的字符串操作;
数据处理步骤
在原始arxiv数据集中论文作者authors
字段是一个字符串格式,其中每个作者使用逗号进行分隔分,所以我们我们首先需要完成以下步骤:
- 使用逗号对作者进行切分;
- 剔除单个作者中非常规的字符;
具体操作可以参考以下例子:
C. Bal\\'azs, E. L. Berger, P. M. Nadolsky, C.-P. Yuan
# 切分为,其中\\为转义符
C. Ba'lazs
E. L. Berger
P. M. Nadolsky
C.-P. Yuan
当然在原始数据集中authors_parsed
字段已经帮我们处理好了作者信息,可以直接使用该字段完成后续统计。
字符串处理
在Python中字符串是最常用的数据类型,可以使用引号('或")来创建字符串。Python中所有的字符都使用字符串存储,可以使用方括号来截取字符串,如下实例:
var1 = 'Hello Datawhale!'
var2 = "Python Everwhere!"
print("var1[-10:]: ", var1[-10:])
print("var2[1:5]: ", var2[0:7])
同时在Python中还支持转义符:
(在行尾时) | 续行符 |
---|---|
\ | 反斜杠符号 |
’ | 单引号 |
" | 双引号 |
\n | 换行 |
\t | 横向制表符 |
\r | 回车 |
Python中还内置了很多内置函数,非常方便使用:
方法 | 描述 |
---|---|
string.capitalize() | 把字符串的第一个字符大写 |
string.isalpha() | 如果 string 至少有一个字符并且所有字符都是字母则返回 True,否则返回 False |
string.title() | 返回"标题化"的 string,就是说所有单词都是以大写开始,其余字母均为小写(见 istitle()) |
string.upper() | 转换 string 中的小写字母为大写 |
具体代码实现以及讲解
数据读取
# 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
为了方便处理数据,我们只选择了三个字段进行读取。
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;
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)]
# apply函数是逐行操作,这里是判断每一行当中是否有'cs.CV'
# 这里用apply太慢了,建议使用data[data['categories'].str.contains('cs.CV')]
# 拼接所有作者
all_authors = sum(data2['authors_parsed'], [])
sum(iterable[, start])`
其中
iterable – 可迭代对象,如:列表(list)、元组(tuple)、集合(set)、字典(dictionary)。上面的例子是Series。
start – 指定相加的参数,如果没有设置这个值,默认为0。
也就是说sum()最后求得的值 = 可迭代对象里面的数加起来的总和(字典:key值相加) + start的值(如果没写start的值,则默认为0)
这里的all_authors = sum(data2['authors_parsed'], [])
是把Series里面的每一个元素拼接起来,后面是[]是因为前面求和元素是list类型,不加[]会报错!!!(没想到sum还有这样的用法!学会了)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zUK4kY4o-1610632957571)(C:\Users\666\AppData\Roaming\Typora\typora-user-images\image-20210114191036577.png)]
这里可以看到每个列表里都有一个’ '(空字符串)
这里给出我自己的等价操作
# 这里是可以使用str.contains操作的
data2=data[data['categories'].str.contains('cs.CV')]
# 拼接作者
all_authors=[]
for i in data2['authors_parsed']:
all_authors +=i
# data2['authors_parsed'].sum() 也可以 但是很慢很慢!!!
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。我们首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]
# 转成DataFrame
authors_names = pd.DataFrame(authors_names)
str.join(序列) 方法用于将序列中的元素(必须是str) 以指定的字符 连接生成一个新的字符串。
这里str指的是字符串。通俗来讲就是将序列中的元素用str来拼接。
# 根据作者频率绘制直方图
plt.figure(figsize=(10, 6))
# 使用Series.plot来绘制水平条形图(这里y轴是自动排序的)
authors_names[0].value_counts().head(10).plot(kind='barh')
# 修改图配置
# 把出现频率TOP10作者取出
names = authors_names[0].value_counts().index.values[:10]
# 修改y轴刻度值(其实我没看出来不设置有啥不一样)
_ = plt.yticks(range(0, len(names)), names)
# 设置x轴y轴的标题
plt.ylabel('Author')
plt.xlabel('Count')
plt.show()
Pandas可视化(一):pandas.Series.plot - 云+社区 - 腾讯云 (tencent.com)
matplotlib Series.plot()—柱状图、直方图、密度图、线形图 - nxf_rabbit75 - 博客园 (cnblogs.com)
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')
绘制得到的结果,从结果看出这些都是华人或者中国姓氏~
最后,统计所有作者姓第一个字符的频率
authors_title=authors_lastnames[0].str[:1].to_frame()
s1=authors_title.value_counts()
# 不知道为什么这里s1是多层索引 所以下面用map处理了
s1.index=s1.index.map(lambda x:x[0])
s1.head(10).plot(kind='barh')
plt.ylabel('Author_title')
plt.xlabel('Count')
plt.show()
rs_title.value_counts()
不知道为什么这里s1是多层索引 所以下面用map处理了
s1.index=s1.index.map(lambda x:x[0])
s1.head(10).plot(kind=‘barh’)
plt.ylabel(‘Author_title’)
plt.xlabel(‘Count’)
plt.show()
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210114220316594.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6ajk2MDMyMQ==,size_16,color_FFFFFF,t_70)