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comments或abstract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')

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')