任务2：论文作者统计
2.1 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；
2.2 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。
2.3 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])
执行结果为：
var1[-10:]: Datawhale!
var2[1:5]: Python
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 |
2.4 具体代码实现以及讲解
2.4.1 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
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(path, '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('arxiv-metadata-oai-snapshot.json',
['id', 'authors', 'categories', 'authors_parsed'],
100000)
为了方便处理数据，我们只选择了三个字段进行读取。
2.4.2 数据统计
接下来我们将完成以下统计操作：
扫描二维码关注公众号，回复：
12884972 查看本文章
- 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)]
# 拼接所有作者
all_authors = sum(data2['authors_parsed'], [])
小小总结
- List itemlambda函数也叫匿名函数,它允许快速定义单行函数，可以用在任何需要函数的地方。这区别于def定义的函数。
- apply函数的格式为：apply(func,*args,**kwargs)
- 在Python里面，类型是动态类型，一种操作或接口，到底做何操作取决于对象本身。比如说同样是+，如果两者都是数字1+1=2，如果两者都是字符串，则’1’+‘1’=‘11’。所以如果这里的start本身为[]，则会执行列表合并的操作，也就达到目的了。
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]
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')
小小总结
- pandas.DataFrame.plot.barh 绘制水平条形图 pandas也可以画图的原来
API连接
绘制得到的结果：
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~