Python語言在WOS論文清洗中的應(yīng)用初探

曾詠梅 彭 麗 楊 華 黃映國 宋 穎

（四川農(nóng)業(yè)大學(xué)圖書館 四川成都 611130）

對圖書館的學(xué)科分析人員而言，論文清洗工作是一個費時、費力的大工程。論文少了還能逐條整理，如果論文數(shù)量較多，逐條整理方法容易造成視覺疲勞，極易出錯，而糾錯也需較大工作量。經(jīng)費充裕的圖書館可以通過購買數(shù)據(jù)來滿足數(shù)據(jù)清洗的要求，但是學(xué)科分析是靈活多變的，可能隨時更改分析角度和緯度，而購買的數(shù)據(jù)無法實時達到所需要求。Python語言具有“優(yōu)雅、明確、簡單”等特點，適合作為編程小白的學(xué)科分析人員們學(xué)習(xí)和掌握，利用Python強大的語言功能，論文的清洗工作只需要打幾行代碼便可以輕松完成，可以使學(xué)科分析人員從繁瑣的數(shù)據(jù)清洗工作中解脫出來，讓其有更多的精力與時間從事其他更多具有創(chuàng)造性的工作。

Python編程語言簡介

Python語言是1989年由荷蘭人Guido van Rossum發(fā)明，1991年發(fā)行第一個公開版本。該語言是目前最接近自然語言的通用編程語言[1]。這種語言像C語言那樣，能夠全面調(diào)用計算機的功能接口，又可以像shell那樣，輕松的編程[2]。

Python語言具有以下特點：可拓展性。程序員可以在高層直接編寫.py拓展模塊，也可以在底層直接引用C語言的庫。對象與過程均支持。Python語言在面向?qū)ο髸r進行模塊化處理，也可以在自己編寫的函數(shù)中引入固定化的模塊。語法簡潔清晰，代碼可讀性強。即使沒有編程基礎(chǔ)也可以逐漸掌握。具有功能齊全的標(biāo)準(zhǔn)庫和豐富的第三方模塊[3]。隨著Python的第三方庫與Excel表格進行結(jié)合以后，很多Excel工作可以利用Python來處理。應(yīng)用范圍廣。被越來越多獨立、大型的項目用于軟件開發(fā)[4]。基于以上特點，Python語言適合沒有編程基礎(chǔ)的學(xué)科分析館員學(xué)習(xí)、掌握及運用。

Python語言在WOS論文清洗中的實際應(yīng)用

學(xué)科分析中常用的WOS論文分析指標(biāo)有：發(fā)表年份、被引頻次、作者排位、是否通訊、二級機構(gòu)、合作單位等等。對于可以直接獲取利用的指標(biāo)數(shù)據(jù)，不作表述；而對于涉及到論文作者的相關(guān)信息，數(shù)據(jù)庫提供的數(shù)據(jù)通常無法直接利用，必須根據(jù)本校的實際情況，對相關(guān)信息進行分類和提取。針對WOS論文清洗所涉及信息提取問題，對于編程語言來說，就是字符串的匹配、提取、索引、排序等問題。其自帶的字符串操作方法可以輕松的完成很多復(fù)雜的工作。以2篇四川農(nóng)業(yè)大學(xué)發(fā)表的WOS論文為例來說明Python語言的應(yīng)用過程。

Python語言對字符串的操作方法

Python語言中有很多字符串的操作方法，比如字符串索引，分片，大小寫互換等方法都比較實用。針對WOS論文數(shù)據(jù)清洗中作者排序問題，Python語言可以利用按照固定字符串進行數(shù)據(jù)分割的方法split()，本實例是按照“；”進行分割；再根據(jù)分割量，統(tǒng)計個數(shù)獲得作者排序；最后根據(jù)最終設(shè)想的結(jié)果形式，制定格式化輸出模式，以format()方法進行直觀體現(xiàn)。以表1中的第一篇論文的AF列作者信息為例。代碼如下：

1.5.1 有效性指標(biāo)及觀測時點 ①SBM頻次及應(yīng)答率；②中醫(yī)證候療效；③單項主要癥狀有效率。排便次數(shù)每天記錄，其他均基線、用藥滿（7±1）d記錄并評估。以SBM應(yīng)答率為主要觀察指標(biāo)。

表1 2篇四川農(nóng)業(yè)大學(xué)發(fā)表的WOS論文作者相關(guān)信息表

Python語言對作者機構(gòu)篩選的應(yīng)用

一篇WOS論文作者通常較多，那到底有多少個本機構(gòu)的作者，他們的排序又將怎樣？這是每個學(xué)科分析人員在論文清洗過程中都會遇到的問題。這個問題在Python中可以很好的解決。以表1中第一篇論文的C1列作者地址信息為例。實現(xiàn)目標(biāo)為：獲取C1列作者地址信息中有“Sichuan Agr Univ”的作者排序信息。代碼如下：

這個結(jié)果與第二篇論文的AF列作者排序不一致。原因是第一作者“Zhang，Qing”有兩個地址，第二個地址才是“Sichuan Agr Univ”，而程序仍然是按照作者順序來排序的，第一個地址5個作者排完后，再按照順序排第二個地址，所以為第6作者。對于無法實現(xiàn)目標(biāo)的代碼，需要進行修改和調(diào)整。針對這個問題，原代碼修改為：

經(jīng)驗證該結(jié)果與作者實際排序一致，達到預(yù)期效果。

只要代碼能夠?qū)崿F(xiàn)一個單元格的預(yù)期目標(biāo)，后續(xù)對于整個Excel表格處理來說就是實施模塊化程序，而且不會出錯。如果發(fā)現(xiàn)有具體的細節(jié)處理不完全，可以通過調(diào)整代碼來完善整個程序。最后實現(xiàn)批量處理。

對于C1列信息，我們還需要提取作者二級機構(gòu)的信息，這個因為涉及到不同高校的二級機構(gòu)庫不同，同RP列通訊作者列信息一樣，在此不做進一步展示。但均可以用Python語言中的字符串查找find()及字符串替換replace()等方法，直接將相應(yīng)信息進行提取和保存。

無論是何種類型的高校圖書館，在學(xué)科分析時，都需要對論文相關(guān)信息進行提取歸類，對于涉及到論文作者的相關(guān)信息，數(shù)據(jù)庫提供的數(shù)據(jù)通常無法直接利用，必須根據(jù)本校的實際情況，對相關(guān)信息進行分類和提取，而這類工作很多高校圖書館都是通過人工篩選來完成，工作量既大又易出錯。Python語言是最接近自然語言的編程語言，是結(jié)合解釋性、編譯性、互動性和面向?qū)ο蟮哪_本語言，其語法簡潔清晰，代碼可讀性強，適合圖書館編程小白的學(xué)科分析人員掌握與運用。本文展示了Python語言在WOS論文清洗中的一個小板塊，依據(jù)Python豐富的語言功能以及強大的第三方模塊庫，完全可以實現(xiàn)WOS數(shù)據(jù)清理中的各個部分，最終實現(xiàn)數(shù)據(jù)清洗目標(biāo)，本課題組也將在后續(xù)研究與實踐中進一步探索與呈現(xiàn)。本文只是初步探索，以期為圖書館同仁們提供一個新的數(shù)據(jù)處理方法或思想，供學(xué)科分析人員參考。