学习分享：学术前言趋势分析3

文章目录

1、数据处理步骤
2、正则表达式
3、具体代码实现

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

1、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

2、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。

1）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

2）特殊字符：有特殊含义的字符

3）限定符

3、具体代码实现

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data = []  # 初始化
# 使用with语句优势：1.自动关闭文件句柄；2.自动显示（处理）文件读取数据异常
with open("arxiv-metadata-oai-snapshot.json", 'r') as f:for idx, line in enumerate(f):d = json.loads(line)d = {'abstract': d['abstract'], 'categories': d['categories'], 'comments': d['comments']}data.append(d)data = pd.DataFrame(data)  # 将list变为dataframe格式，方便使用pandas进行分析# 使用正则表达式匹配，XX pages
data['pages'] = data['comments'].apply(lambda x: re.findall('[1-9][0-9]* pages', str(x)))# 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['pages'].describe().astype(int)# 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')
plt.show()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', '')))# 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)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')
plt.show()

学习分享：学术前言趋势分析3—论文代码统计相关推荐

学习分享：学术前言趋势分析2—论文作者统计
文章目录 1.数据处理 2.字符串处理 3.具体代码任务内容: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 1.数据处理在原始arxi ...
学习分享：学术前言趋势分析1—论文数据统计
文章目录 1.数据集介绍 2.代码学习心得 (1) split()函数 (2) 正则表达式 (3) 数据分析及可视化 3.具体代码实现学习主题:论文数量统计,统计2019年全年,计算机各个方向论文数 ...
Datawhale组队学习21期_学术前沿趋势分析Task2_论文作者统计
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: 数 ...
DataWhale | 学术前言趋势分析 | Task4 论文种类分类
Task4 论文种类分类任务说明数据处理步骤文本分类思路具体代码实现以及讲解导包数据准备数据处理本文主要使用TF-IDF+机器学习分类器和FastText两种方法进行论文种类的分类,而 ...
【算法竞赛学习】学术前沿趋势-论文代码统计
任务3:论文代码统计 3.1 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: 3.2 数据处 ...
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 ...
【竞赛算法学习】学术前沿趋势分析-论文数据统计
任务1:论文数据统计 1.1 任务说明任务主题:论文数量统计,即统计2019年全年计算机各个方向论文数量: 任务内容:赛题的理解.使用 Pandas 读取数据并进行统计: 任务成果:学习 Panda ...
【学术前沿分析】1 论文数据统计
论文数据统计 1.1 任务说明读取json数据.爬取数据: 论文数量统计,即统计2019年全年计算机各个方向论文数量: 1.2 数据集介绍数据集来源:数据集链接: 数据集的格式如下: id:arX ...
【学术前沿趋势分析】
学术前沿趋势分析 Task 01:论文数据统计 Task 02:论文作者统计 Task 03:论文代码统计 Task 04:论文种类分类 Task:5:作者信息关联 Task 01:论文数据统计任务 ...

学习分享：学术前言趋势分析3—论文代码统计

文章目录

1、数据处理步骤

2、正则表达式

3、具体代码实现

学习分享：学术前言趋势分析3—论文代码统计相关推荐

最新文章

热门文章