近10年arXiv論文數(shù)據(jù)分析！
本文使用arXiv公開的論文數(shù)據(jù)集，聚焦2008年-2020年計算機各個方向論文數(shù)據(jù)，對其進行了數(shù)據(jù)探索性分析和可視化分析，什么是2020年最火的方向，排名前五的又是哪些呢？一起來看看結論和數(shù)據(jù)分析過程。
本文目錄
一、 數(shù)據(jù)轉換
本文數(shù)據(jù)下載地址：https://tianchi.aliyun.com/competition/entrance/531866/information
從json中讀取數(shù)據(jù)
#?導入所需的package
import?seaborn?as?sns?#用于畫圖
from?bs4?import?BeautifulSoup?#用于爬取arxiv的數(shù)據(jù)
import?re?#用于正則表達式，匹配字符串的模式
import?requests?#用于網(wǎng)絡連接，發(fā)送網(wǎng)絡請求，使用域名獲取對應信息
import?json?#讀取數(shù)據(jù)，我們的數(shù)據(jù)為json格式的
import?pandas?as?pd?#數(shù)據(jù)處理，數(shù)據(jù)分析
import?matplotlib.pyplot?as?plt?#畫圖工具
def?readArxivFile(path,?columns=['id',?'submitter',?'authors',?'title',?'comments',?'journal-ref',?'doi','report-no',?'categories',?'license',?'abstract',?'versions','update_date',?'authors_parsed'],?count=None):
????data??=?[]
????with?open(path,?'r')?as?f:?
????????for?idx,?line?in?enumerate(f):?
????????????if?idx?==?count:
????????????????break
????????????????
????????????d?=?json.loads(line)
????????????d?=?{col?:?d[col]?for?col?in?columns}
????????????data.append(d)
????data?=?pd.DataFrame(data)
????return?data?1.1 讀取原始數(shù)據(jù)
data?=?readArxivFile('D:/Code/Github/data/arxiv-metadata-oai-snapshot.json',?['id',?'categories',?'authors','title','update_date'])
1.2?爬取論文類別數(shù)據(jù)
#爬取所有的類別
website_url?=?requests.get('https://arxiv.org/category_taxonomy').text?#獲取網(wǎng)頁的文本數(shù)據(jù)
soup?=?BeautifulSoup(website_url,'lxml')?#爬取數(shù)據(jù)，這里使用lxml的解析器，加速
root?=?soup.find('div',{'id':'category_taxonomy_list'})?#找出?BeautifulSoup?對應的標簽入口
tags?=?root.find_all(["h2","h3","h4","p"],?recursive=True)?#讀取?tags
#初始化?str?和?list?變量
level_1_name?=?""
level_2_name?=?""
level_2_code?=?""
level_1_names?=?[]
level_2_codes?=?[]
level_2_names?=?[]
level_3_codes?=?[]
level_3_names?=?[]
level_3_notes?=?[]
#進行
for?t?in?tags:
????if?t.name?==?"h2":
????????level_1_name?=?t.text????
????????level_2_code?=?t.text
????????level_2_name?=?t.text
????elif?t.name?==?"h3":
????????raw?=?t.text
????????level_2_code?=?re.sub(r"(.*)\((.*)\)",r"\2",raw)?#正則表達式：模式字符串：(.*)\((.*)\)；被替換字符串"\2"；被處理字符串：raw
????????level_2_name?=?re.sub(r"(.*)\((.*)\)",r"\1",raw)
????elif?t.name?==?"h4":
????????raw?=?t.text
????????level_3_code?=?re.sub(r"(.*)?\((.*)\)",r"\1",raw)
????????level_3_name?=?re.sub(r"(.*)?\((.*)\)",r"\2",raw)
????elif?t.name?==?"p":
????????notes?=?t.text
????????level_1_names.append(level_1_name)
????????level_2_names.append(level_2_name)
????????level_2_codes.append(level_2_code)
????????level_3_names.append(level_3_name)
????????level_3_codes.append(level_3_code)
????????level_3_notes.append(notes)
#根據(jù)以上信息生成dataframe格式的數(shù)據(jù)
df_taxonomy?=?pd.DataFrame({
????'group_name'?:?level_1_names,
????'archive_name'?:?level_2_names,
????'archive_id'?:?level_2_codes,
????'category_name'?:?level_3_names,
????'categories'?:?level_3_codes,
????'category_description':?level_3_notes
????
})
df_taxonomy.head()
1.3?取data的子集進行處理
抽取數(shù)據(jù)的5%進行分析，否則數(shù)據(jù)量太大，處理時間太長。
#存儲轉換后的原始數(shù)據(jù)
data.to_csv('D:/Code/Github/data/data.csv',index?=?False)
df_taxonomy.to_csv('D:/Code/Github/data/categories.csv',index?=?False)
#對數(shù)據(jù)進行抽樣
data?=?data.sample(frac=0.05,replace=False,random_state=1)
data.shape(89846, 5)
1.4?對catagories進行處理
categories列中有很多，一篇論文同時屬于很多的類別，只取第一個類別，放棄其他類別。
print(data.categories.nunique())
data['categories']?=?data.categories.str.split('?',expand=True)[0]
data.categories.nunique()9488
172
1.5?數(shù)據(jù)連接
data_merge?=?data.merge(df_taxonomy,how='left',on='categories').sort_values(by?=?"update_date").drop_duplicates(['id','group_name'],keep?=?'first')
data_merge.shape(89847, 10)
發(fā)現(xiàn)比原始抽樣數(shù)據(jù)多了一行，經(jīng)查明，原來是多了一行空行，進行刪除
data_merge.dropna(how='any',subset=['categories'],inplace=True)
data_merge.shape(89846, 10)
1.6?存儲轉換后的數(shù)據(jù)，后面可以直接進行讀取
data_merge.to_csv('D:/Code/Github/data/data_subset_merge.csv',index?=?False)二、 數(shù)據(jù)探索性分析
2.1?查看數(shù)據(jù)的缺失信息
可以看到group_name之后的部分列，都有缺失數(shù)據(jù)
data_merge.info()
2.2?統(tǒng)計不同大類的論文數(shù)量
可以看到物理學領域的論文數(shù)量最多，數(shù)學和計算機科學的其次，其他領域的論文數(shù)量都相對較少 說明arxiv網(wǎng)站的論文大部分仍然集中在“物理學，數(shù)學，計算機科學”領域
data_merge.groupby('group_name')['id'].agg('count').sort_values(ascending?=?False).plot(kind?=?'barh')
2.3?按年度統(tǒng)計論文數(shù)量的變化
可以看到論文數(shù)量大體上呈現(xiàn)遞增的趨勢 2009年和2015年的數(shù)據(jù)偏高，有可能是抽樣的隨機因素，也有可能這兩年的論文數(shù)量本來就比較高
data_merge.groupby(pd.to_datetime(data_merge.update_date).dt.year)['id'].agg('count').plot(kind?=?'bar')
#繪制回歸圖
data_plot=data_merge.groupby(pd.to_datetime(data_merge.update_date).dt.year)['id'].agg('count').reset_index()
sns.regplot(data_plot.iloc[:,0],data_plot.iloc[:,1])
2.4 按月份統(tǒng)計論文發(fā)表數(shù)量
比較發(fā)現(xiàn)一年中5，6，10，11月份是論文出產最多的月份
data_merge.groupby(pd.to_datetime(data_merge.update_date).dt.month)['id'].agg('count').plot(kind?=?'bar')
2.5 統(tǒng)計不同小類論文的數(shù)量
只繪制了前20種 高能物理，量子力學領域的論文數(shù)量最多
data_merge.groupby('category_name')['id'].agg('count').sort_values(ascending?=?False).head(20).plot(kind?=?'barh')
三、 使用BI軟件進行數(shù)據(jù)可視化分析
3.1 不同年份計算機領域發(fā)表數(shù)量前五的領域
可以看到計算機領域最火的領域一直在發(fā)生著變換，2014年-2016年都是信息理論方面的論文最多，而2017-2019是計算機視覺最火，到了2020年，機器學習則和計算機視覺并駕齊驅。
3.2 計算機領域論文數(shù)量對比
排名前五的是計算機視覺、機器學習、信息理論、自然語言處理、人工智能五個方面
3.3 CV、ML等領域論文數(shù)量變化趨勢
可以看到論文的數(shù)量都呈現(xiàn)出上升的趨勢，但是2014年是一個節(jié)點，2014年之后，計算機視覺和機器學習兩個領域的論文數(shù)量都開始了非常迅速的增長，這兩個方向依然是計算機領域目前論文中的最火的方向，至于今年比較熱的新方向，如可復現(xiàn)性、差分隱私、幾何深度學習、神經(jīng)形態(tài)計算、強化學習是否成為新增長點，來一個預測吧。
往期精彩：
【原創(chuàng)首發(fā)】機器學習公式推導與代碼實現(xiàn)30講.pdf
【原創(chuàng)首發(fā)】深度學習語義分割理論與實戰(zhàn)指南.pdf
點個在看
評論
圖片
表情