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:
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。
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
使用split可以达到类似的效果:
print("var1[-10:]: ",var1.split(' ')[0])
print("var2[1:5]: ",var2.split(' ')[0])
执行结果为:
var1[-10:]: Datawhale!
var2[1:5]: Python
同时在Python中还支持转义符:
Python中还内置了很多内置函数,非常方便使用:
还可以使用正则表达式匹配复合规则的文本以及替换等操作,更多内容可以看我之前写的文本数据操作,基本可以满足日常使用。
import json # 读取数据,我们的数据为json格式的
data = []
with open("./data/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)
看下数据样式:
为了方便处理数据,我们只选择了三个字段进行读取。
接下来我们将完成以下统计操作:
# 选择类别为cs.CV下面的论文
data2 = data[data['categories'].apply(lambda x: 'cs.CV' in x)]
data2
# 拼接所有作者
all_authors = sum(data2['authors_parsed'], [])
all_authors
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')
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')
authors_lastnames_firstchar = [x[0][0] for x in all_authors]
authors_lastnames_firstchar = pd.DataFrame(authors_lastnames_firstchar)
plt.figure(figsize=(10, 6))
authors_lastnames_firstchar[0].value_counts().head(10).plot(kind='barh')
names = authors_lastnames_firstchar[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')