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

使用split可以达到类似的效果：

print("var1[-10:]: ",var1.split(' ')[0])
print("var2[1:5]: ",var2.split(' ')[0])

执行结果为：

var1[-10:]:  Datawhale!
var2[1:5]:  Python

同时在Python中还支持转义符：

Python中还内置了很多内置函数，非常方便使用：

还可以使用正则表达式匹配复合规则的文本以及替换等操作，更多内容可以看我之前写的文本数据操作，基本可以满足日常使用。

2.4 具体代码实现以及讲解

2.4.1 数据读取

import json  # 读取数据，我们的数据为json格式的

data = []
with open("./data/arxiv-metadata-oai-snapshot.json", 'r') as f: 
    for idx, line in enumerate(f): 
        d = json.loads(line)
        d = { 'authors': d['authors'], 'categories': d['categories'], 'authors_parsed': d['authors_parsed']}
        data.append(d)
        
data = pd.DataFrame(data)

看下数据样式：

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(lambda x: 'cs.CV' in x)]
data2

# 拼接所有作者
all_authors = sum(data2['authors_parsed'], [])
all_authors

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) 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')

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] 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')

统计所有作者姓第一个字符的评率，这个流程与上述的类似:

authors_lastnames_firstchar = [x[0][0] for x in all_authors]
authors_lastnames_firstchar = pd.DataFrame(authors_lastnames_firstchar)

plt.figure(figsize=(10, 6))
authors_lastnames_firstchar[0].value_counts().head(10).plot(kind='barh')

names = authors_lastnames_firstchar[0].value_counts().index.values[:10]
_ = plt.yticks(range(0, len(names)), names)
plt.ylabel('Author')
plt.xlabel('Count')

本文地址：https://blog.csdn.net/weixin_37734833/article/details/112611064

黄山市民网：https://www.huangshanshimin.com/

文章目录