任务2：论文作者统计
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 = []
with open("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)
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)]
# 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) 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')
绘制得到的结果：
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')
绘制得到的结果，从结果看出这些都是华人或者中国姓氏~
