第 20 章 作者信息提取

提取文献题录，是一件比较繁琐的工作。我这里使用tidyESI宏包尝试解决，目前还不完美，还需要不断的探索，欢迎大家PR。

library(tidyverse)
library(here)

20.1 最小案例数据

d <- read_rds(here("data", "example.rds")) %>% 
     select(UT, AF, C1, RP)
d

作者信息栏

d$C1
## [1] "[You, Jiayong; Yuan, Yonggui; Shi, Yanyan; Zhang, Xiangrong; Li, Hailin] Nanjing Med Univ, Dept Psychiat, Nanjing Brain Hosp, Nanjing 210029, Peoples R China; [Zhang, Zhijun] Southeast Univ, Dept Neuropsychiat, Affiliated ZhongDa Hosp, Nanjing 210009, Peoples R China; [Yuan, Yonggui] Southeast Univ, Sch Clin Med, Nanjing 210009, Peoples R China"
## [2] "[Geng, Fan; Yuan, Zhulin] SE Univ, Sch Energy & Environm, Nanjing 210096, Peoples R China; [Geng, Fan; Yan, Yaming; Luo, Dengshan; Wang, Hongsheng; Li, Bin; Xu, Dayong] China Natl Tobacco Corp, Key Lab Tobacco Proc Technol, Zhengzhou 450001, Peoples R China"

通讯作者信息栏

d$RP
## [1] "Yuan, YG (corresponding author), Nanjing Med Univ, Dept Psychiat, Nanjing Brain Hosp, Guangzhou Rd 264, Nanjing 210029, Peoples R China."
## [2] "Geng, F (corresponding author), SE Univ, Sch Energy & Environm, Nanjing 210096, Peoples R China."

20.2 说明

  • 提取归属信息，整理成5列

    • 归属 .ownership
    • 姓名 .names
    • 地址 .addr
    • 学校 .univ
    • 学院 .coll

  • 一篇文章如果有3个作者，那么归属为1个“first_author,” 2个“co_author,” 返回的结果还会包括通讯作者“reprint_author”。一般情况下，通讯作者来自这3个作者中的一个或者几个，因此，这条题录，最终会返回有3+n行，这里的n是指通讯作者的个数，通讯作者不分前后。（通讯作者都要搞几个，唉，学术啊）

    .ownership .names .addr .univ .coll
    first_author
    co_author
    co_author
    reprint_author

  • 作者地址如果有多个，这个作者信息就会出现多次，比如，作者地址有同济大学物理学院和中科院高能所，那么作者信息会出现两行，这两行只是地址不同，其它信息是一样的。如果刚好又是第一作者，那么他的两个地址都会标上“first_author”。更特殊点，如果第一作者地址有同济大学物理学院和同济大学计算机学院，即一个学院不同学院，那么在统计的时候，会认为作者以第一作者身份，分别为物理学院和计算机学院贡献一篇。因此，在后期统计时，需要先地址筛选，再统计。

20.3 提取

library(tidyESI)

res <- d %>% 
  rowwise() %>% 
  mutate(
    info = list(ownership_extract(AF, C1, RP))
  ) %>% 
  ungroup()

# res
res %>% 
  head(3) %>% 
  select(UT, info) %>% 
  unnest(cols = c(info)) %>% 
  select(UT, .ownership, .names, .univ, .coll)