Python语言在WOS论文清洗中的应用初探

曾咏梅 彭 丽 杨 华 黄映国 宋 颖

（四川农业大学图书馆 四川成都 611130）

对图书馆的学科分析人员而言，论文清洗工作是一个费时、费力的大工程。论文少了还能逐条整理，如果论文数量较多，逐条整理方法容易造成视觉疲劳，极易出错，而纠错也需较大工作量。经费充裕的图书馆可以通过购买数据来满足数据清洗的要求，但是学科分析是灵活多变的，可能随时更改分析角度和纬度，而购买的数据无法实时达到所需要求。Python语言具有“优雅、明确、简单”等特点，适合作为编程小白的学科分析人员们学习和掌握，利用Python强大的语言功能，论文的清洗工作只需要打几行代码便可以轻松完成，可以使学科分析人员从繁琐的数据清洗工作中解脱出来，让其有更多的精力与时间从事其他更多具有创造性的工作。

Python编程语言简介

Python语言是1989年由荷兰人Guido van Rossum发明，1991年发行第一个公开版本。该语言是目前最接近自然语言的通用编程语言[1]。这种语言像C语言那样，能够全面调用计算机的功能接口，又可以像shell那样，轻松的编程[2]。

Python语言具有以下特点：可拓展性。程序员可以在高层直接编写.py拓展模块，也可以在底层直接引用C语言的库。对象与过程均支持。Python语言在面向对象时进行模块化处理，也可以在自己编写的函数中引入固定化的模块。语法简洁清晰，代码可读性强。即使没有编程基础也可以逐渐掌握。具有功能齐全的标准库和丰富的第三方模块[3]。随着Python的第三方库与Excel表格进行结合以后，很多Excel工作可以利用Python来处理。应用范围广。被越来越多独立、大型的项目用于软件开发[4]。基于以上特点，Python语言适合没有编程基础的学科分析馆员学习、掌握及运用。

Python语言在WOS论文清洗中的实际应用

学科分析中常用的WOS论文分析指标有：发表年份、被引频次、作者排位、是否通讯、二级机构、合作单位等等。对于可以直接获取利用的指标数据，不作表述；而对于涉及到论文作者的相关信息，数据库提供的数据通常无法直接利用，必须根据本校的实际情况，对相关信息进行分类和提取。针对WOS论文清洗所涉及信息提取问题，对于编程语言来说，就是字符串的匹配、提取、索引、排序等问题。其自带的字符串操作方法可以轻松的完成很多复杂的工作。以2篇四川农业大学发表的WOS论文为例来说明Python语言的应用过程。

Python语言对字符串的操作方法

Python语言中有很多字符串的操作方法，比如字符串索引，分片，大小写互换等方法都比较实用。针对WOS论文数据清洗中作者排序问题，Python语言可以利用按照固定字符串进行数据分割的方法split()，本实例是按照“；”进行分割；再根据分割量，统计个数获得作者排序；最后根据最终设想的结果形式，制定格式化输出模式，以format()方法进行直观体现。以表1中的第一篇论文的AF列作者信息为例。代码如下：

1.5.1 有效性指标及观测时点 ①SBM频次及应答率；②中医证候疗效；③单项主要症状有效率。排便次数每天记录，其他均基线、用药满（7±1）d记录并评估。以SBM应答率为主要观察指标。

表1 2篇四川农业大学发表的WOS论文作者相关信息表

Python语言对作者机构筛选的应用

一篇WOS论文作者通常较多，那到底有多少个本机构的作者，他们的排序又将怎样？这是每个学科分析人员在论文清洗过程中都会遇到的问题。这个问题在Python中可以很好的解决。以表1中第一篇论文的C1列作者地址信息为例。实现目标为：获取C1列作者地址信息中有“Sichuan Agr Univ”的作者排序信息。代码如下：

这个结果与第二篇论文的AF列作者排序不一致。原因是第一作者“Zhang，Qing”有两个地址，第二个地址才是“Sichuan Agr Univ”，而程序仍然是按照作者顺序来排序的，第一个地址5个作者排完后，再按照顺序排第二个地址，所以为第6作者。对于无法实现目标的代码，需要进行修改和调整。针对这个问题，原代码修改为：

经验证该结果与作者实际排序一致，达到预期效果。

只要代码能够实现一个单元格的预期目标，后续对于整个Excel表格处理来说就是实施模块化程序，而且不会出错。如果发现有具体的细节处理不完全，可以通过调整代码来完善整个程序。最后实现批量处理。

对于C1列信息，我们还需要提取作者二级机构的信息，这个因为涉及到不同高校的二级机构库不同，同RP列通讯作者列信息一样，在此不做进一步展示。但均可以用Python语言中的字符串查找find()及字符串替换replace()等方法，直接将相应信息进行提取和保存。

无论是何种类型的高校图书馆，在学科分析时，都需要对论文相关信息进行提取归类，对于涉及到论文作者的相关信息，数据库提供的数据通常无法直接利用，必须根据本校的实际情况，对相关信息进行分类和提取，而这类工作很多高校图书馆都是通过人工筛选来完成，工作量既大又易出错。Python语言是最接近自然语言的编程语言，是结合解释性、编译性、互动性和面向对象的脚本语言，其语法简洁清晰，代码可读性强，适合图书馆编程小白的学科分析人员掌握与运用。本文展示了Python语言在WOS论文清洗中的一个小板块，依据Python丰富的语言功能以及强大的第三方模块库，完全可以实现WOS数据清理中的各个部分，最终实现数据清洗目标，本课题组也将在后续研究与实践中进一步探索与呈现。本文只是初步探索，以期为图书馆同仁们提供一个新的数据处理方法或思想，供学科分析人员参考。