非常有意思的数据可视化案例 ，原文提出的问题是 学术论文中的作者数量有逐年增加的趋势 ；于是利用R语言里的
rplos包抓取了 Plos 系列的6本期刊的2006年至2013年的每篇论文里的作者数量 进行可视化展示
原文链接是
https://benjaminlmoore.wordpress.com/2014/04/06/author-inflation-in-academic-literature/
完整的代码链接
https://github.com/blmoore/blogR
原始代码中抓取数据的部分好像不能用了，我稍微改动了一下，选取了2006年到2020年的数据，获取数据的代码这里就不放了，如果需要本文的示例数据可以知己在文末留言
数据已经存储到了文件里 首先是读取数据
library(readr)
df<-read_tsv("author_number.tsv")
head(df)
image.png
期刊分别是
table(df$journal)
image.png
首先通过summary()函数看一些数据的基本情况
summary(df)
image.png
作者数量最多的竟然有446人，中位数是6个人，符合日常认知
我们看一下400多个作者的论文是什么？
library(dplyr)
df%>%
filter(auth_num == 446) -> df1
df1$id
image.png
image.png
这个应该是采集了很多人的数据，可能是把参与实验的所有人全都列成作者了
接下来就是小提琴图展示每个期刊作者数量的分布了
用原始数据作图代码和结果如下
ggplot(df, aes(x=journal, y=auth_num, fill=journal)) +
geom_violin(scale="width") +
geom_boxplot(width=.12,
fill=I("black"),
notch=T,
outlier.size=NA,
col="grey40") +
stat_summary(fun="median",
geom="point", shape=20, col="white") +
#scale_y_log10(breaks=c(1:5, seq(10, 50, by=10), 100, 200, 300)) +
coord_flip() + labs(x="", y="Number of authors per paper") +
theme_classic() + theme(legend.position="none") +
scale_fill_brewer()
image.png
这个结果不太好看，所有作者对原始数据做了log10转化
ggplot(df, aes(x=journal, y=auth_num, fill=journal)) +
geom_violin(scale="width") +
geom_boxplot(width=.12,
fill=I("black"),
notch=T,
outlier.size=NA,
col="grey40") +
stat_summary(fun="median",
geom="point", shape=20, col="white") +
scale_y_log10(breaks=c(1:5, seq(10, 50, by=10), 100, 200, 300)) +
coord_flip() + labs(x="", y="Number of authors per paper") +
theme_classic() + theme(legend.position="none") +
scale_fill_brewer()
image.png
log10转换 是一种比较好的方案当数据有明显的离群值的时候
这次新学到的知识点包括
lappy()函数指定参数
lapply(files_all,
read_tsv,
col_type= list(
col_character(),
col_character(),
col_character(),
col_character())) %>%
bind_rows -> data_all
统计字符串中指定字符的数量
library(stringr)
str_count("A,B,C",pattern=",")
好了，今天的内容就到这里了
欢迎大家关注我的公众号
小明的数据分析笔记本
小明的数据分析笔记本 公众号 主要分享：1、R语言和python做数据分析和数据可视化的简单小例子；2、园艺植物相关转录组学、基因组学、群体遗传学文献阅读笔记；3、生物信息学入门学习资料及自己的学习笔记！