本文共 1852 字,大约阅读时间需要 6 分钟。
代码如下:
# 导入所需的packageimport 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
# 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'], [])
知识点1:data[‘categories’].apply(lambda x: ‘cs.CV’ in x)结果理解
lambda是一个匿名函数。函数体为 ‘cs.CV’ in x,即对data[‘categories’]中的每行元素通过apply进行判别,结果为True或False 从而实现对类别的选择
知识点2:sum函数的嵌套列表元素合并
sum(data2[‘authors_parsed’], []) 其中data2[‘authors_parsed’],是一个嵌套结构,最外层的每一个元素均由列表构成,列表中的元素为论文作者。 sum函数有两个参数,sun(iterable,start),start为求和的初始值,iterable为可迭代对象,sum会把可迭代对象内元素加到初始值上。也就是返回结果为start+iterable中的所有元素
例:
sum([[1,2],[3,4]], [5]) out:[5]+[1,2]+[3,4] [5,1,2,3,4]sum([[1,2],[3,4]], [[5]])
out:[[5]]+[1,2]+[3,4] [[5],1,2,3,4]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')
统计姓名的姓知识点33、dataframe和series中value_counts函数的使用
作用是计算dataframe或series中各字符串出现的次数,默认对频率降序排列完整语法和参数为
Series.value_counts(normalize=False, sort=True, ascending=False, bins=None, dropna=True) normalize代表计数项归一化,sort代表排序默认降序,ascending表示升序排列,bins指的是对数值型数据的分段计数,dropna表示不包括对NA的计数
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')
转载地址:http://cagwi.baihongyu.com/