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
data=[]withopen("arxiv-metadata-oai-snapshot.json",'r')asf:foridx,lineinenumerate(f):d=json.loads(line)d={'authors':d['authors'],'categories':d['categories'],'authors_parsed':d['authors_parsed']}data.append(d)data=pd.DataFrame(data)
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:
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(lambdax:'cs.CV'inx)]# 拼接所有作者all_authors=sum(data2['authors_parsed'], [])
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)forxinall_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]forxinall_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')