打卡数据分析第二次作业——论文作者统计

打卡数据分析第二次作业

导入所需的package
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
In [9]:
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)
为了方便处理数据，我们只选择了三个字段进行读取。

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：

In [10]:

选择类别为cs.CV下面的论文
data2 = data[data[‘categories’].apply(lambda x: ‘cs.CV’ in x)]

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。

In [11]:

拼接所有的作者
authors_names = [’ '.join(x) for x in all_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’)
Out[11]:
Text(0.5, 0, ‘Count’)

接下来统计姓名姓，也就是authors_parsed字段中作者第一个单词：

In [12]:
authors_lastnames = [x[0] for x in all_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’)
Out[12]:
Text(0.5, 0, ‘Count’)

绘制得到的结果，从结果看出这些都是华人或者中国姓氏~