任务2：论文作者统计

任务2：论文作者统计

2.1 任务统计

• 任务主题：论文作者统计，统计所有论文作者出现频率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 具体代码实现与讲解

import pandas as pd
import matplotlib.pyplot as plt
import json

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)

2.3 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'],[])
以上操作把all_authors变成了一个list,其中每个元素为一个作者的姓名

# 拼接所有的作者
authors_names = [' '.join(x) for x in all_authors]
authors_names = pd.DataFrame(authors_names)
authors_names

image.png

2.3.1 统计作者频率

# 绘制前10的作者直方图

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')

image.png

2.3.2 统计论文作者的姓氏

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')

image.png

从统计结果来看，以上作者的姓氏全部为华人

2.3.3 统计所有作者第一个姓名的第一个字符的频率

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

image.png

plt.figure(figsize=(10,6))
authors_firstOne[0].value_counts().head(15).plot(kind='bar')

names = authors_firstOne[0].value_counts().index.values[:15]
_ = plt.xticks(range(0,len(names)),names)
plt.ylabel('Count')
plt.xlabel('First_alphabet')

image.png