如何可視化作者身份的分布？

Question

我目前正在查看dblp ，這是一個科學出版物數據庫。 更具體地說，我看作者。

忽略非唯一名稱的問題，您可以看到一些作者在許多出版物上：

1181x H. Vincent Poor
 789x Lajos Hanzo
 767x Witold Pedrycz
 747x Mohamed-Slim Alouini
 615x Chin-Chen Chang 0001
 607x Dacheng Tao
 591x Victor C. M. Leung
 570x Wei Zhang
 562x Wei Li
 554x Wei Wang

暫時忽略一份出版物中的多位作者，我計算了數據庫中作者擁有 1,2、3、...、1181 篇出版物的頻率。 我想了解這個分布：

count_of_counts = {1: 785070, 2: 239357, 3: 117040, 4: 70321, 5: 46957, 6: 33814, 7: 25141, 8: 19546, 9: 15821, 10: 13013, 11: 10615, 12: 8927, 13: 7622, 14: 6694, 15: 5973, 16: 5234, 17: 4673, 18: 4116, 19: 3653, 20: 3257, 21: 3062, 22: 2671, 23: 2516, 24: 2297, 25: 2182, 26: 1879, 27: 1775, 28: 1649, 29: 1584, 30: 1467, 31: 1326, 32: 1265, 34: 1170, 33: 1153, 35: 1038, 36: 977, 37: 900, 38: 872, 39: 807, 40: 727, 41: 691, 42: 670, 43: 611, 44: 592, 45: 585, 46: 573, 47: 549, 49: 509, 48: 478, 51: 465, 50: 456, 52: 419, 53: 398, 56: 364, 55: 352, 54: 346, 57: 315, 60: 304, 59: 294, 58: 290, 62: 267, 61: 260, 63: 249, 68: 220, 65: 211, 72: 205, 69: 205, 67: 205, 64: 204, 71: 198, 66: 191, 70: 182, 77: 169, 74: 164, 73: 161, 76: 155, 75: 152, 79: 140, 81: 132, 78: 127, 86: 122, 80: 120, 82: 115, 89: 111, 87: 108, 85: 106, 83: 105, 84: 96, 88: 91, 94: 84, 91: 81, 93: 79, 90: 79, 92: 78, 96: 76, 97: 73, 101: 71, 100: 70, 98: 70, 95: 69, 99: 67, 107: 64, 102: 61, 115: 58, 106: 58, 105: 56, 110: 54, 112: 52, 104: 52, 103: 49, 109: 48, 117: 46, 114: 46, 108: 46, 118: 44, 116: 40, 111: 40, 129: 39, 122: 37, 113: 36, 133: 32, 143: 30, 120: 30, 119: 30, 130: 29, 128: 29, 125: 29, 124: 29, 121: 28, 138: 27, 136: 27, 131: 27, 126: 27, 155: 24, 123: 24, 146: 23, 144: 23, 137: 23, 127: 23, 139: 22, 142: 21, 140: 21, 132: 21, 134: 20, 141: 19, 149: 18, 145: 18, 135: 18, 158: 17, 162: 16, 152: 16, 151: 16, 187: 15, 165: 15, 147: 15, 169: 14, 167: 14, 164: 14, 157: 14, 154: 14, 150: 14, 148: 14, 163: 13, 156: 13, 189: 12, 188: 12, 161: 12, 160: 12, 204: 11, 181: 11, 153: 11, 206: 10, 177: 10, 176: 10, 159: 10, 222: 9, 197: 9, 190: 9, 180: 9, 175: 9, 173: 9, 220: 8, 219: 8, 210: 8, 196: 8, 195: 8, 193: 8, 191: 8, 182: 8, 179: 8, 178: 8, 174: 8, 170: 8, 168: 8, 166: 8, 245: 7, 221: 7, 217: 7, 202: 7, 186: 7, 185: 7, 171: 7, 259: 6, 233: 6, 227: 6, 214: 6, 213: 6, 212: 6, 203: 6, 200: 6, 198: 6, 194: 6, 183: 6, 172: 6, 250: 5, 243: 5, 235: 5, 224: 5, 223: 5, 218: 5, 216: 5, 208: 5, 207: 5, 192: 5, 184: 5, 318: 4, 303: 4, 299: 4, 285: 4, 282: 4, 279: 4, 273: 4, 260: 4, 252: 4, 249: 4, 239: 4, 237: 4, 232: 4, 229: 4, 209: 4, 201: 4, 383: 3, 380: 3, 377: 3, 366: 3, 364: 3, 354: 3, 317: 3, 311: 3, 301: 3, 298: 3, 294: 3, 287: 3, 272: 3, 265: 3, 264: 3, 257: 3, 253: 3, 251: 3, 248: 3, 247: 3, 244: 3, 242: 3, 238: 3, 236: 3, 228: 3, 226: 3, 215: 3, 211: 3, 205: 3, 199: 3, 518: 2, 463: 2, 449: 2, 390: 2, 365: 2, 351: 2, 350: 2, 349: 2, 341: 2, 331: 2, 322: 2, 321: 2, 320: 2, 315: 2, 312: 2, 310: 2, 306: 2, 304: 2, 292: 2, 289: 2, 288: 2, 286: 2, 284: 2, 277: 2, 275: 2, 274: 2, 271: 2, 270: 2, 268: 2, 266: 2, 263: 2, 261: 2, 258: 2, 255: 2, 246: 2, 230: 2, 225: 2, 1181: 1, 789: 1, 767: 1, 747: 1, 615: 1, 607: 1, 591: 1, 570: 1, 562: 1, 554: 1, 541: 1, 529: 1, 526: 1, 522: 1, 521: 1, 515: 1, 513: 1, 502: 1, 488: 1, 485: 1, 475: 1, 466: 1, 461: 1, 459: 1, 457: 1, 455: 1, 452: 1, 446: 1, 435: 1, 432: 1, 430: 1, 429: 1, 409: 1, 407: 1, 405: 1, 403: 1, 391: 1, 388: 1, 386: 1, 385: 1, 384: 1, 379: 1, 374: 1, 372: 1, 369: 1, 367: 1, 362: 1, 361: 1, 360: 1, 357: 1, 356: 1, 355: 1, 345: 1, 339: 1, 337: 1, 335: 1, 333: 1, 332: 1, 329: 1, 327: 1, 326: 1, 325: 1, 324: 1, 323: 1, 319: 1, 316: 1, 314: 1, 308: 1, 305: 1, 302: 1, 300: 1, 296: 1, 293: 1, 290: 1, 283: 1, 281: 1, 280: 1, 278: 1, 269: 1, 267: 1, 254: 1, 240: 1, 234: 1, 231: 1}

我們有len(count_of_counts) = 392 。

在這個字典中，您可以看到 785,070 位作者只發表了一篇文章。

我如何可視化這個分布？

我的嘗試

我想到了一個簡單的直方圖，但這會掩蓋作者“H. Vincent Poor”在某種意義上“等同於”1181 位只有一本出版物的作者。

然后我想到了一個條形圖，我將 392 個組分成 10 個組。 應該以組大小相似的方式選擇拆分。 對於給定的數字，這將是 (392-1) nCr (10 - 1) \\approx 10^17 可能的分裂。 太多了，無法通過蠻力找到“最好的”。 雖然我可以想象如何做到這一點，但我首先想知道一個常見的可視化庫是否已經做了類似的事情。

---

我想創建一個這樣的情節：

我不知道這種圖表如何命名。 我已經看到它被用於美國預算可視化。 它是餅圖的變體，應具有以下屬性：

• 標簽：第一個數字很重要。 我的示例中的“1”是該組擁有的出版物數量。 第二個數字是有多少人屬於該組。
• 組的大小（彩色矩形的大小）是整個組的大小。
  • 對於“1”組，它只是作者的數量
  • 對於“2”組，它是該組中作者數量的 2 倍
  • 對於 4-5 組，發表 4 篇論文的作者人數是 4 倍 + 發表 5 篇論文的作者人數的 5 倍。
• 這些組（1 個出版物、2 個出版物、3 個出版物、4-5 個出版物，...）的選擇方式應使它們在圖表中具有合理的大小。
• 只能加入“相鄰”組（例如“4”和“5”）。

我更喜歡用python來做這個，也許用matplotlib或seaborn ，但我不確定這（或類似的東西）是否可行。

Answer 1

我認為它們被稱為Treemaps 。 我確實here找到了一個 python 實現。

# pip install squarify
import squarify
import matplotlib.pyplot as plt

# custom light colors
colors = ['#FFF2CD', '#D9E8FB', '#FFE6CD', '#F7CECC', '#D5E8D4', 'lightgrey', 'lightblue']

fig, ax = plt.subplots(figsize=(9, 6))
squarify.plot(sizes=count_of_counts.values(), label=count_of_counts.keys(), 
              color=colors, bar_kwargs={'edgecolor':'lightblue','linewidth': 2}, 
              ax=ax, value=count_of_counts.values())

plt.axis('off')
plt.show()