HistCite工具的Python实现

由于原引文分析工具 HistCite 已停止维护，目前国内普遍使用的为中科大某位同学在原程序基础上进行修复的版本 HistCite Pro ，仅能在 Windows 平台上运行，存在诸多限制。借助 pandas 2.0 和可视化工具 Graphviz ，本工具复刻了原 HistCite 的大部分功能，同时拓展了对其他数据源的支持，可以跨平台使用。

最近更新：


    v0.3.0

增加了对


    Scopus

数据库题录数据的支持；


    v0.2.0

增加了对


    CSSCI

数据库题录数据的支持；

核心功能：

生成引文网络图；

生成统计数据，包括文献、作者、机构、文献来源、作者关键词等分析对象；

发现不在本地文献集中、但被本地文献集引用较多的文献，即本次文献获取过程忽略的重要文献；

术语说明：

GCS

，Global Citation Score，表示一篇文献在 Web of Science核心合集中的总被引次数；

LCS

，Local Citation Score，表示一篇文献在本地论文集中的被引次数；

GCR

，Global Cited References，表示一篇文献所有参考文献的数量；

LCR

， Local Cited References，表示一篇文献所有本地参考文献的数量；

T*

，Total，表示给定作者、机构、期刊等相应分数之和。例如


    TLCS

= 总本地引文数；


    Recs

，记录数；


    Web of Science

题录数据字段说明；

其他来源的题录数据会沿用


    Web of Science

的字段命名格式；

工具对比：

histcite-python histcite pro


   Web of Science


   核心合集

，格式选择


   Tab delimited file/制表符分隔文件

，导出内容选择


   Full Record and Cited References/全记录与引用的参考文献

或者是


   Custome selection/自定义选择项

，全选字段。


   CSSCI

从


   CSSCI数据库

正常导出即可。


   Scopus

格式选择

CSV

文件，导出字段需要额外勾选


   Author keywords

和


   Include references

，或者直接全选字段。

$ 假设文件夹路径为/Users/.../downloads/dataset，来源为web of science, 引文网络图节点数设置为100
$ histcite -f /Users/.../downloads/dataset -t wos -n 100
$ 或者是
$ histcite --folder_path /Users/.../downloads/dataset --source_type wos --node_num 100
注：结果保存在指定的 folder_path 下的 result 文件夹内，包含 statistics.xlsx, graph.node.xlsx, graph.dot 三个文件，第一个是描述统计表，第二个是引文网络图节点信息表，最后一个为引文网络图的数据文件，可以使用 Graphviz在线编辑器 或本地的 Graphviz工具 生成引文网络图。具体内容可以参考 examples文件夹。
生成的引文网络图：
对应的文献节点信息：
import pandas as pd
from histcite.process_file import ProcessFile
from histcite.compute_metrics import ComputeMetrics
from histcite.network_graph import GraphViz
# 读取数据，解析引文
folder_path = '/Users/.../downloads/dataset' # 下载的题录数据存放的文件夹路径
source_type = 'wos'
process = ProcessFile(folder_path, source_type)
process.concat_table() # 合并多个文件
process.process_citation() # 识别引文关系
docs_table = process.docs_table
reference_table = process.reference_table
# 基本描述统计
cm = ComputeMetrics(docs_table, reference_table, source_type)
cm.write2excel(os.path.join(folder_path,'result','statistics.xlsx'))
# 生成引文网络图文件
graph = GraphViz(docs_table, source_type)
doc_indices = docs_table.sort_values('LCS', ascending=False).index[:100] # 选取LSC最高的100篇文献
graph_dot_file = graph.generate_dot_file(doc_indices, allow_external_node=False)
# 保存引文网络图文件
with open(os.path.join(folder_path,'result','graph.dot'), 'w') as f:
    f.write(graph_dot_file)
# 保存引文网络图节点文件
graph_node_file = graph.generate_graph_node_file()
graph_node_file.to_excel(os.path.join(folder_path,'result','graph.node.xlsx'),index=False)
注：generate_dot_file 函数的 allow_external_node 参数表示引文网络节点中是否允许出现 doc_indices 之外的节点文献，doc_indices 一般为 LCS 比较高的文献，这些文献同样会参考低 LCS 的文献，或被低 LCS 的文献引用，因此如果将 allow_external_node 设置为 True，引文网络图中将会出现这些低 LCS 的文献节点，默认为 False。
1、为什么选取 LSC 最高的100篇文献，但是引文网络图及图节点文件中的节点数量少于100？

答：考虑到实用性和美观性，程序会自动忽略没有边的节点。即这些选中的文献没有引用其他选中的文献，或被这些文献引用。
2、每次必须指定一种数据库来源吗？

答：是的。不同来源数据库的参考文献字段包含的内容不同，解析方式不同，引文识别方式也不同，需要单独处理。
3、为什么不支持 CNKI、PubMed 等数据库的题录数据？

答：无法导出参考文献或引文字段信息，也就无法识别引文关系。如果需要支持其他数据库，欢迎提交issue。
 支持 CSSCI 题录数据
 支持 Scopus 题录数据
            Download files
            Download the file for your platform. If you're not sure which to choose, learn more about installing packages.
              Source Distribution