第三节:论文代码统计-学习笔记

任务说明

  • 任务主题:论文代码统计,统计所有论文出现代码的相关统计;
  • 任务内容:使用正则表达式统计代码连接、页数和图表数据;
  • 任务成果:学习正则表达式统计;

数据处理步骤

在原始arxiv数据集中作者经常会在论文的commentsabstract字段中给出具体的代码链接,所以我们需要从这些字段里面找出代码的链接。

  • 确定数据出现的位置;
  • 使用正则表达式完成匹配;
  • 完成相关的统计;

正则表达式

正则表达式(regular expression)描述了一种字符串匹配的模式(pattern),可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。

普通字符:大写和小写字母、所有数字、所有标点符号和一些其他符号
字符 描述
[ABC] 匹配 […] 中的所有字符,例如 [aeiou] 匹配字符串 “google runoob taobao” 中所有的 e o u a 字母。
[^ABC] 匹配除了 […] 中字符的所有字符,例如 [^aeiou] 匹配字符串 “google runoob taobao” 中除了 e o u a 字母的所有字母。
[A-Z] [A-Z] 表示一个区间,匹配所有大写字母,[a-z] 表示所有小写字母。
. 匹配除换行符(\n、\r)之外的任何单个字符,相等于 [^\n\r]
[\s\S] 匹配所有。\s 是匹配所有空白符,包括换行,\S 非空白符,包括换行。
\w 匹配字母、数字、下划线。等价于 [A-Za-z0-9_]
特殊字符:有特殊含义的字符
特别字符 描述
( ) 标记一个子表达式的开始和结束位置。子表达式可以获取供以后使用。要匹配这些字符,请使用 ( 和 )。
* 匹配前面的子表达式零次或多次。要匹配 * 字符,请使用 *。
+ 匹配前面的子表达式一次或多次。要匹配 + 字符,请使用 +。
. 匹配除换行符 \n 之外的任何单字符。要匹配 . ,请使用 . 。
[ 标记一个中括号表达式的开始。要匹配 [,请使用 [。
? 匹配前面的子表达式零次或一次,或指明一个非贪婪限定符。要匹配 ? 字符,请使用 ?。
\ 将下一个字符标记为或特殊字符、或原义字符、或向后引用、或八进制转义符。例如, ‘n’ 匹配字符 ‘n’。’\n’ 匹配换行符。序列 ‘\’ 匹配 “”,而 ‘(’ 则匹配 “(”。
^ 匹配输入字符串的开始位置,除非在方括号表达式中使用,当该符号在方括号表达式中使用时,表示不接受该方括号表达式中的字符集合。要匹配 ^ 字符本身,请使用 ^。
{ 标记限定符表达式的开始。要匹配 {,请使用 {。
\ 指明两项之间的一个选择。要匹配 ,请使用 \。
限定符
字符 描述
* 匹配前面的子表达式零次或多次。例如,zo* 能匹配 “z” 以及 “zoo”。* 等价于{0,}。
+ 匹配前面的子表达式一次或多次。例如,‘zo+’ 能匹配 “zo” 以及 “zoo”,但不能匹配 “z”。+ 等价于 {1,}。
? 匹配前面的子表达式零次或一次。例如,“do(es)?” 可以匹配 “do” 、 “does” 中的 “does” 、 “doxy” 中的 “do” 。? 等价于 {0,1}。
{n} n 是一个非负整数。匹配确定的 n 次。例如,‘o{2}’ 不能匹配 “Bob” 中的 ‘o’,但是能匹配 “food” 中的两个 o。
{n,} n 是一个非负整数。至少匹配n 次。例如,‘o{2,}’ 不能匹配 “Bob” 中的 ‘o’,但能匹配 “foooood” 中的所有 o。‘o{1,}’ 等价于 ‘o+’。‘o{0,}’ 则等价于 ‘o*’。
{n,m} m 和 n 均为非负整数,其中n <= m。最少匹配 n 次且最多匹配 m 次。例如,“o{1,3}” 将匹配 “fooooood” 中的前三个 o。‘o{0,1}’ 等价于 ‘o?’。请注意在逗号和两个数之间不能有空格。

具体代码实现以及讲解

首先我们来统计论文页数,也就是在comments字段中抽取pages和figures和个数,首先完成字段读取。

# 导入所需的包
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
    '''
    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
    '''
def readArxivFile(path, columns=['id', 'submitter', 'authors', 'title', 'comments', 'journal-ref', 'doi',
       'report-no', 'categories', 'license', 'abstract', 'versions',
       'update_date', 'authors_parsed'], count=None):

    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', 'abstract', 'categories', 'comments'])
data.head()
id abstract categories comments
0 0704.0001 A fully differential calculation in perturba... hep-ph 37 pages, 15 figures; published version
1 0704.0002 We describe a new algorithm, the $(k,\ell)$-... math.CO cs.CG To appear in Graphs and Combinatorics
2 0704.0003 The evolution of Earth-Moon system is descri... physics.gen-ph 23 pages, 3 figures
3 0704.0004 We show that a determinant of Stirling cycle... math.CO 11 pages
4 0704.0005 In this paper we show how to compute the $\L... math.CA math.FA None

对pages进行抽取:

# 使用正则表达式匹配,XX pages,新生成pages列
# [1-9]第一个数字,[0-9]第二个数字,* 匹配前面的子表达式零次或多次
data['pages'] = data['comments'].apply(lambda x: re.findall('[1-9][0-9]* pages', str(x)))
data.head()
# 这里不太能理解figures这列 怎么出来的。
id abstract categories comments pages figures
0 0704.0001 A fully differential calculation in perturba... hep-ph 37 pages, 15 figures; published version [37 pages] 15.0
2 0704.0003 The evolution of Earth-Moon system is descri... physics 23 pages, 3 figures [23 pages] 3.0
5 0704.0006 We study the two-particle wave function of p... cond-mat 6 pages, 4 figures, accepted by PRA [6 pages] 4.0
9 0704.0010 Partial cubes are isometric subgraphs of hyp... math 36 pages, 17 figures [36 pages] 17.0
15 0704.0016 In this work, we evaluate the lifetimes of t... hep-ph 17 pages, 3 figures and 1 table [17 pages] 3.0
# 将问题拆出来看,上个cell的操作应该是以下的结果,不应该有figures这列。
# 如果有这列应该是还需要增加同样的正则操作,命名为data['figures']
l= "37 pages, 15 figures; published version"
re.findall('[1-9][0-9]* pages',str(l))
['37 pages']
# 筛选出有pages的论文
data = data[data['pages'].apply(len) > 0]

# 由于匹配得到的是一个list,如['19 pages'],需要进行转换
data['pages'] = data['pages'].apply(lambda x: float(x[0].replace(' pages', '')))
data.dtypes # 查看类型
id             object
abstract       object
categories     object
comments       object
pages         float64
figures       float64
dtype: object
# 对pages进行统计
data['pages'].describe().astype(int)# 转化为整数类型
count    1089180
mean          17
std           22
min            1
25%            8
50%           13
75%           22
max        11232
Name: pages, dtype: int32

统计结果:论文平均的页数为17页,75%的论文在22页以内,最长的论文有11232页。

接下来按照分类统计论文页数,选取了论文的第一个类别的主要类别:

%matplotlib inline # 将图形展示到notebook里
# 选择主要类别
data['categories'] = data['categories'].apply(lambda x: x.split(' ')[0])
data['categories'] = data['categories'].apply(lambda x: x.split('.')[0])

# 每类论文的平均页数
plt.figure(figsize=(12, 6))
data.groupby(['categories'])['pages'].mean().plot(kind='bar')

第三节:论文代码统计-学习笔记_第1张图片

接下来对论文图表个数进行抽取:

data['figures'] = data['comments'].apply(lambda x: re.findall('[1-9][0-9]* figures', str(x)))
data = data[data['figures'].apply(len) > 0]
data['figures'] = data['figures'].apply(lambda x: float(x[0].replace(' figures', '')))
data.head()
id abstract categories comments pages figures
0 0704.0001 A fully differential calculation in perturba... hep-ph 37 pages, 15 figures; published version 37.0 15.0
2 0704.0003 The evolution of Earth-Moon system is descri... physics 23 pages, 3 figures 23.0 3.0
5 0704.0006 We study the two-particle wave function of p... cond-mat 6 pages, 4 figures, accepted by PRA 6.0 4.0
9 0704.0010 Partial cubes are isometric subgraphs of hyp... math 36 pages, 17 figures 36.0 17.0
15 0704.0016 In this work, we evaluate the lifetimes of t... hep-ph 17 pages, 3 figures and 1 table 17.0 3.0

最后我们对论文的代码链接进行提取,为了简化任务我们只抽取github链接:

# 筛选包含github的论文
data_with_code = data[
    (data.comments.str.contains('github')==True)|
                      (data.abstract.str.contains('github')==True)
]
data_with_code['text'] = data_with_code['abstract'].fillna('') + data_with_code['comments'].fillna('')

# 使用正则表达式匹配论文
pattern = '[a-zA-z]+://github[^\s]*'
data_with_code['code_flag'] = data_with_code['text'].str.findall(pattern).apply(len)


并对论文按照类别进行绘图:


```python
data_with_code = data_with_code[data_with_code['code_flag'] == 1]
plt.figure(figsize=(12, 6))
data_with_code.groupby(['categories'])['code_flag'].count().plot(kind='bar')

第三节:论文代码统计-学习笔记_第2张图片

你可能感兴趣的:(数据挖掘,python,正则表达式,机器学习,大数据)