最近筆者在研讀一些文獻勉躺，發(fā)現(xiàn)了Remote Sensing of Environment上的一期Special Issues饵溅。這一期可以說是地學上Data Assimilation較為經(jīng)典的研究吧。所以也是目前研讀的重點妇萄。當然也是有些其他需求蜕企，現(xiàn)在想對這一期專刊的作者與客座編輯做些分析探討冠句。涉及到一些R語言的字符串處理方式轻掩。這里記錄下。

1 數(shù)據(jù)描述

數(shù)據(jù)就比較簡單了。一共兩個數(shù)據(jù)。第一個數(shù)據(jù)如下忠蝗。

image

主要包括Title和Author兩列膛堤，這個數(shù)據(jù)我命名為RSEDAPaper.xlsx文件奋构。

第二個數(shù)據(jù)如下壳影。

image

主要包括EditorBoard弥臼，這個數(shù)據(jù)我命名為EditorBoard.xlsx文件。

2 問題描述與思路

我其實想了解Remote Sensing of Environment這一期屟跷裕刊里鼠锈，Editor Board參與的文章數(shù)量有幾篇？所以這就涉及到兩個處理样傍，第一步是首先要對Author的字段進行分割成單獨的作者炕檩，第二步是與EditorBoard的數(shù)據(jù)做匹配捞蚂。

3 R語言實現(xiàn)

第一步首先要把用R語言將數(shù)據(jù)讀入到內(nèi)存里。由于我存的都是Excel文件，就需要用到openxlsx包扩然。之前我已經(jīng)介紹過如何在R里讀取Excel文件兵拢。詳情請見下文鏈接嘹履。

R語言讀取Excel的神器——openxlsx

library(openxlsx)
basepath <- "E:/RSEDA/"
RSEDA <- read.xlsx(paste(basepath, "RSEDAPaper.xlsx", sep = ""))
Editor <- read.xlsx(paste(basepath, "EditorBoard.xlsx", sep = ""))

basepath是你存放數(shù)據(jù)的路徑焰枢，根據(jù)具體情況來處理暑椰。

接下來就是涉及到第一步處理低滩，我們首先將Author這種一長串的數(shù)據(jù)進行分割婶溯。

image

其實這種論文的作者名是比較好分割的渔扎，直接使用","分割即可。使用的R語言函數(shù)是strsplit笤虫。輸入函數(shù)最主要包括兩個，一個是字符串，一個是分割符號。樣例如下：

a <- RSEDA$Author[2]
a
a <- unlist(strsplit(a, split = ","))
a

兩次輸出分別為：

image

image

可以發(fā)現(xiàn)已經(jīng)成功做了分割转捕，使得變成了7個作者單獨的一個向量与柑，當然如果你的字符串連接方式不是","脯倚，你只需要在split的等號后面進行修改。而作者個數(shù)不相同的情況下淤堵，這樣子如何存儲呢？這時候就用到了R里的一個特殊存儲結(jié)構(gòu)：列表。列表很適合存儲這種長度不一的一些數(shù)據(jù)贵扰。

authorlist <- list()
for (i in 1:nrow(RSEDA)) {
  authors <- RSEDA$Author[i]
  authors <- unlist(strsplit(authors, split = ","))
  authorlist[[i]] <- authors
}
authorlist

image

可以發(fā)現(xiàn)很好的存儲起來了谷誓，當然還有個小問題糙臼。由于英文的一些空格的原因，導致有些作者前后多了空格痕届。所以做下一步匹配之前需要對這個進行處理渊啰，這里用的是stringr包绘证。

library(stringr)
b <- " John M. Morrison "
str_trim(b, "both")

image

image

效果如圖，side = "both"蚌斩，指去除掉兩邊的空格员魏，"left"和"right"則是去除左邊或右邊的空格闷袒。接下來只需要篩選數(shù)據(jù)做匹配也物。這里先生成一個跟前面authorlist一樣結(jié)構(gòu)的editorlist列表。然后針對每一篇文章作者分析列疗，用一個for循環(huán)和luse獲取作者個數(shù)滑蚯，然后，再嵌套一個for循環(huán)抵栈，獲取這一篇文章里每個作者名字告材，接著去除空格，然后是匹配古劲，ifelse語句的含義是表示斥赋，如果這個作者名字有出現(xiàn)在Editor Board里，就輸出1产艾，如果沒有輸出0灿渴。

editorlist <- list()
editorlist <- authorlist
for (i in 1:nrow(RSEDA)) {
  luse <- length(authorlist[[i]])
  for (m in 1:luse) {
    deauthor <- authorlist[[i]][m]
    deauthor <- str_trim(deauthor, 'both')
    editorlist[[i]][m] <- ifelse(deauthor%in%Editor$EditorBoard, 1, 0)
  }
}

image

輸出結(jié)果如圖。接著對每一篇文章統(tǒng)計胰舆，是否有Editor Board骚露，有的話是1，沒有的話是0缚窿。

RSEDA$editor <- 1
for (i in 1:nrow(RSEDA)) {
  RSEDA$editor[i] <- ifelse("1"%in%editorlist[[i]], 1, 0) 
}

先生成了一個字段editor表示是否有Editor Board棘幸，默認值為1。而接著就是對每一行分析倦零，這里每一行误续，是否有含"1"吨悍，有的話，即為有Editor Board蹋嵌。

事實上分析結(jié)果顯示育瓜，這一期專刊里居然一個Editor Board也沒有參與文章發(fā)表栽烂。也是蠻奇怪的躏仇。后期可能會針對這些文獻做些介紹。這一期的R語言處理的步驟也可以用到其他部分腺办，其實主要是字符串分割焰手，去除空格以及簡單的包含處理。