用python进行作者关系分析

所以这是一个大问题：

我有一份各种出版物的作者和合著者名单。 此列表可能如下所示：

[[['A','uni'],[['B','uni'],['C','uni'],['D','uni'],['E','uni']]],

[['E','uni'],[['A','uni'],['F','uni'],['G','uni']]]]

因此，作者A与作者B、C和D在一份出版物上合作，而作者E与作者A、F和G在另一份出版物上合作

我需要的是一份所有作者的名单，即使他们只是被列为合著者（B、C、D、F、G），以及他们与谁写了多少篇论文。因此，所有主要作者（A和E）都与他们的合著者（A与B、C、D、E；E与A、F、G）一起工作，但论文的合著者也一起工作（B与C、D、E以及A等等）。 除此之外，我还需要知道他们合作了多少论文

所以这个小例子的最终结果是：

[[['A','uni'],[['B','uni',1],['C','uni',1],['D','uni',1],['E','uni',2],['F','uni',1],['G','uni',1]]],

[['B','uni'],[['A','uni',1],['C','uni',1],['D','uni',1],['E','uni',1]]],

[['C','uni'],[['A','uni',1],['B','uni',1],['D','uni',1],['E','uni',1]]],

[['D','uni'],[['A','uni',1],['B','uni',1],['C','uni',1],['E','uni',1]]],

[['E','uni'],[['A','uni',2],['B','uni',1],['C','uni',1],['D','uni',1],['F','uni',1],['G','uni',1]]],

[['F','uni'],[['A','uni',1],['E','uni',1],['G','uni',1]]],

[['G','uni'],[['A','uni',1],['E','uni',1],['F','uni',1]]]]

好吧，老实说这有点让人困惑，但我希望你明白我的意思。 （uni条目代表作者工作的大学。可能还包括其他信息，但这与此任务无关）

我有一个初始列表，它是通过我为解析数据库而编写的python脚本得到的。我想创建一个图表，显示wo与谁以及多久写一次

我已经玩了一段时间了，我就是找不到一个好的解决办法。我想我可以写一些有用的东西，但它不会很好，也不会很高效，也不会很耗时。 那么，有没有一种快速的、类似蟒蛇的方法来解决这个问题呢？我的例子现在只有两个出版物，但我必须分析大约10000个出版物，其中一些有几百个合著者

from collections import defaultdict

L = [[['A','uni'],[['B','uni'],['C','uni'],['D','uni'],['E','uni']]],
     [['E','uni'],[['A','uni'],['F','uni'],['G','uni']]]]

res = defaultdict(set)

for x, y in L:
    x = [tuple(x)]
    y = map(tuple, y)
    row = x+y
    for i in row:
        print set(row)
        res[i] |= set(row)

for k, v in res.items():
    v.remove(k)
    print k, list(v)

产出：

('B', 'uni') [('A', 'uni'), ('D', 'uni'), ('E', 'uni'), ('C', 'uni')]
('A', 'uni') [('B', 'uni'), ('F', 'uni'), ('D', 'uni'), ('G', 'uni'), ('E', 'uni'), ('C', 'uni')]
('F', 'uni') [('A', 'uni'), ('G', 'uni'), ('E', 'uni')]
('D', 'uni') [('A', 'uni'), ('B', 'uni'), ('E', 'uni'), ('C', 'uni')]
('G', 'uni') [('A', 'uni'), ('E', 'uni'), ('F', 'uni')]
('E', 'uni') [('B', 'uni'), ('A', 'uni'), ('F', 'uni'), ('D', 'uni'), ('G', 'uni'), ('C', 'uni')]
('C', 'uni') [('A', 'uni'), ('D', 'uni'), ('B', 'uni'), ('E', 'uni')]

---

您不需要数据库，但首先需要一些数据结构来保存和表示所有信息。我不会写完整的类，只写它们的重要属性

class Author(object):
    name
    university        

class Publication(object):
    name
    date

class Authorship(object)
    author
    publication
    main_author(bool)

接下来，您必须组织这些对象。作者和出版物应该是独一无二的，所以如果您的数据集不超过几百MB，您可以将它们分别放在普通词典中。它们必须由唯一属性索引。如果author.name不足以满足这一要求，那么可以使用university和author name的元组，或者更好的生日或与作者相关的内容（如果可用），因为大学可以更改

对于作者身份，您应该创建不同的索引，这样您可以更快地搜索，而无需一直迭代整个列表。也许您需要一些由包含其出版物的作者编制索引的defaultdict（列表），或者另一个使用出版物编制索引的defaultdict（列表）。注意保持一致性（重复，数据错误可能很残酷）

之后，您只需迭代数据集并填充结构即可。

我的版本：

from collections import defaultdict
from collections import Counter
from itertools import chain

L = [[['A', 'uni'], [['B', 'uni'], ['C', 'uni'], ['D', 'uni'], ['E', 'uni']]], [['E', 'uni'], [['A', 'uni'], ['F', 'uni'], ['G', 'uni']]]]

d = defaultdict(Counter)
for publication in L:
    authors = [tuple(a) for a in chain([publication[0]], publication[1])]
    for author in authors:
        d[author].update(authors)

for k, v in d.iteritems():
    print k, [(author[0], author[1], counter)
              for author, counter in v.iteritems() if author[0] != k[0]]

输出：

('B', 'uni') [('A', 'uni', 1), ('D', 'uni', 1), ('E', 'uni', 1), ('C', 'uni', 1)]
('A', 'uni') [('B', 'uni', 1), ('F', 'uni', 1), ('D', 'uni', 1), ('G', 'uni', 1), ('E', 'uni', 2), ('C', 'uni', 1)]
('F', 'uni') [('A', 'uni', 1), ('G', 'uni', 1), ('E', 'uni', 1)]
('D', 'uni') [('A', 'uni', 1), ('B', 'uni', 1), ('E', 'uni', 1), ('C', 'uni', 1)]
('G', 'uni') [('A', 'uni', 1), ('E', 'uni', 1), ('F', 'uni', 1)]
('E', 'uni') [('B', 'uni', 1), ('A', 'uni', 2), ('F', 'uni', 1), ('D', 'uni', 1), ('G', 'uni', 1), ('C', 'uni', 1)]
('C', 'uni') [('A', 'uni', 1), ('D', 'uni', 1), ('B', 'uni', 1), ('E', 'uni', 1)]

---

我知道这没有帮助，但是否应该在数据库中定义作者之间的关系？我不知道，如果有，我也无权访问它。我通过解析每个出版物的xmlmarc来获取信息，这样我只得到出版物的主要作者和合著者。因此，我的初始列表也可能，甚至很可能有两次或两次以上是同一位主要作者，并且有不同/相同的合著者。正如你所见，这并不容易。你在这里谈论的是多少出版物？100美元？1000秒？1000秒。一开始我会分析大约10000个，但可能会上升到500000个。现在可以投票了！每个答案都很有帮助，但@kalgasnik的答案是我一直在寻找的解决方案！非常感谢大家！不错，但如果我能正确解释的话，这并不能说明一些人在一起工作的频率。哇，我花了大约1周120英里才走到这一步。美好的但是，是否也有一种方法可以计算作者一起发表了多少出版物？A和E有两份出版物，但A和B只有一份。对不起，我不能投票，因为我没有足够的声誉…啊，好吧，我完全错过了计数的要求：）正如@kalgasnik所显示的那样-这并不是更难对付的计数器，而是@gnibbler的答案给你同样的结果！正是我需要的！我总是再一次让我惊讶，你能做的事情多么简单，而我尝试解决的问题又多么复杂！非常感谢你！非常感谢。我理解你回答的想法，但不具备实施的技能。而且我还没有时间来发展这些技能，但一旦我这样做了，我会重新阅读你的答案并从那里开始！这是一个很好的指向正确方向的指针，但现在我将使用@kalgasnik的答案，因为它只是一个小型的uni项目。但是非常感谢！