组队学习笔记Task2：论文作者统计

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；

@DateWhale
" Stay hungry Stay young"

一、数据读取

1.1导入相关包


# 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

1.2读取文件

然后，定义一个函数，专门用于读取文件，其实task1就应该定义来着，不过当时太懒- -，果然还是函数更有利于后续修改呀：

def readFile(path,columns=['id','submitter','authors','title','comments','journal-ref','doi','reeport-no','categories','license','abstract','versions','update_date','author_parsed'],count=None):
    """
    定义本函数用于读取文件，在后续工作中也使用这个函数，比较简便
    参数分别为：
    文件路径、
    读取的列名称（固定值为全部读取）
    读取的行数
    """
    data=[]
    with open(path,'r')as f:
        #enumerate函数将可读取的数据对象转化成有序的各个元祖，储存在一个列表中
        for i,line in enumerate(f):
            if i==count:
                break
            d=json.loads(line)
            #下面这一行操作是为了筛选出需要的那些键值对
            d={
    
    col:d[col]for col in columns}
            data.append(d)
    data=pd.DataFrame(data)#转化为dataframe模式
    return data
path="D:\\arxiv-metadata-oai-snapshot.json"
data=readFile(path,['id', 'authors', 'categories', 'authors_parsed'],100000)#只能读取10万个，否则电脑跑不动- -

二、数据统计

需要完成的任务：

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频率；

2.1把作者单独取出为一个列表

#这里将series中的各个作者加和并和[]求和返回一个列表（好厉害的语法，好想看一下底层实现）
all_authors=sum(data['authors_parsed'],[])
print(all_authors)

现在所有的作者已经被存入这个列表中，现在完成姓名频率的统计
现在每个作者是以列表的形式存储的，要将他们取出并连接进一个列表中，因此用以下语句实现：

author_names=[''.join(x) for x in all_authors]
author_names=pd.Series(author_names)

2.2 数据的展示

接下来就是画图环节，采用matplotlib包实现。
代码如下：
其中，value_counts是用来计算每个个体出现的频率，返回一个新的dataframe

# 根据作者频率绘制直方图
#定义图的尺寸
plt.figure(figsize=(10, 6))
author_names[0].value_counts().head(10).plot(kind='barh')

# 修改图配置
names = author_names[0].value_counts().index.values[:10]
#上面一行获取了出现前10的行标签对应的值
plt.yticks(range(0, len(names)), names)
#上面一行对y轴的
plt.ylabel('Author')
plt.xlabel('Count')

输出如下：
在这里插入图片描述
接下来，我们统计姓名中的姓出现的top10：
代码类似，如下：

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')

在这里插入图片描述
都是华人姓名，太强了！
接下来统计作者姓第一个字符的频率：
代码只需要改这么一行即可：

authors_lastnames = [x[0][0] for x in all_authors]

在这里插入图片描述
至此任务完成，本次任务并不难，下次希望先独立尝试，然后再看官方的教程！