Day02-数据分析实战-论文作者统计(DataWhale)

主题： 论文作者统计

统计所有论文作者出现频率Top10的姓名

import seaborn as sns
from bs4 import BeautifulSoup
import re
import requests
import json
import pandas as pd 
import matplotlib.pyplot as plt

1. 数据读取

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(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)

data[data['categories']=='cs.CV']['authors_parsed'].head(1)

1266    [[Likforman-Sulem, Laurence, ], [Zahour, Abder...
Name: authors_parsed, dtype: object

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；
  
  这里我们直接使用auyhors_parsed字段

2. 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；

# 选择类别为cs.CV下面的论文
dt = data[data['categories']=='cs.CV'] 
#或者使用data2 = data[data['categories'].apply(lambda x: 'cs.CV' in x)]
dt['authors_parsed'].head(2)

1266    [[Likforman-Sulem, Laurence, ], [Zahour, Abder...
4216              [[Zerai, Mourad, ], [Moakher, Maher, ]]
Name: authors_parsed, dtype: object

# 拼接所有作者为一个列表
all_authors = sum(dt['authors_parsed'], [])
all_authors[0:2]

[['Likforman-Sulem', 'Laurence', ''], ['Zahour', 'Abderrazak', '']]

#因为存在一篇论文多个作者，不好统计作者数量，将作者的名字存成列
authors_names = [' '.join(x) for x in all_authors]
authors_names = pd.DataFrame(authors_names)
authors_names[0].unique

3. 数据可视化

# 根据作者频率绘制条形图
plt.figure(figsize=(10, 6))
#正序：authors_names[0].value_counts().head(10).plot(kind='barh')
#我认为倒序更能反应问题，所以选择倒序
authors_names[0].value_counts(ascending = True).tail(10).plot(kind='barh',facecolor='#1d5f5e')
# 修改图配置,上面已经做了限制，这里意义不大
names = authors_names[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')

Text(0.5, 0, 'Count')

接下来统计姓，也就是authors_parsed字段中作者第一个单词：

#获取姓
authors_lastnames = [x[0] for x in all_authors]
authors_lastnames = pd.DataFrame(authors_lastnames)
# 根据作者频率绘制条形图
plt.figure(figsize=(10, 6))
authors_lastnames[0].value_counts(ascending = True).tail(10).head(10).plot(kind='barh',facecolor='black')
# 修改图配置
names = authors_lastnames[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')

Text(0.5, 0, 'Count')

统计所有作者姓第一个字符的频率

#获取第一个字母
authors_firstv = [x[0:1] for x in authors_lastnames[0]]
authors_firstv = pd.DataFrame(authors_firstv)
# 根据作者频率绘制条形图
plt.figure(figsize=(10, 6))
authors_firstv[0].value_counts(ascending = True).tail(10).head(10).plot(kind='barh',facecolor='green')
# 修改图配置
names = authors_firstv[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('FirstVocabulary')
plt.xlabel('Count')

Text(0.5, 0, 'Count')