- 前一段時間就想做簡單的==視覺化文字分析==玩，今天就花點時間先對整體班級的==QQ群聊天資訊做一個簡單的分析==。
- 打算分兩步做，本文是最簡單的第一步過程
- 1：分析整個聊天記錄的時間分配。並且用matplotlib展示出來。並把整個聊天的關鍵詞做成詞雲。
- 2：融入snownlp情感分析，分析每個同學的詞雲分佈，每個同學的發言次數情況，以及每個同學文字的情緒走勢以及展示。 等等
- 總的來說就是先試試水，然後再做第二個。用到的庫有：jieba分詞，wordcloud詞雲，numpy陣列，matplotlib視覺化，snownlp(第二個)，re正則(很重要)。這些用不到深入的東西，只用到很簡單的一小部分，都可以直接 pip install xxx。
- 言歸正傳，下面說一下我的學習歷程：
- 首先，第一步就是匯出群聊訊息，再qq的資源管理器上選擇群可以==匯出群訊息==記錄成txt文字。
- 要觀察聊天記錄的規則，瞭解==文字結構==。能夠解析下列方框標註的內容很重要。
2018-05-05 15:55:40 2班某某(1315426911)
2018-05-07 13:48:39 2XXX<xxxx@qq.com>
複製程式碼- 下一步就需要==正則匹配==獲取相應的內容。 這個地方的正則匹配規則也很簡單，因為格式固定. 但是我要分配各個聊天的時間，那麼就要匹配"15:55:40"這段話，可以重寫一個正則或者在原來的正則上新增，我選擇重寫正則，對於==正則取值==前端時間簡單寫過取值兩個正規表示式為：
pattern=re.compile(r'(\d*)-(\d*)-(\d*) .* .*')#匹配 資訊
pattern2=re.compile(r'(\d+):(\d+):\d+')#匹配 15:55:40
複製程式碼- 既然能取到上一步驟人說的話，那麼我們在下一步就需要對==資料去噪==。那些資料會對結果有影響但是我們不需要的，這裡大致列了幾個（要注意的是文字換行符/n，每行無論是什麼都有一個換行符）：
- 空格訊息
- 紅包
- 表情
- 撤回的訊息
- 圖片
- @全體成員
- 個別群復讀機嚴重適當處理
- 其他
- 這樣每次按行讀取，新增對應的次數和文字內容和水群次數。
- 製作聊天時間分佈圖。使用matplotlib展示座標的一些坑點已經解決。儲存圖片到本地。
- 將各個文字合併生成班級主題詞雲。儲存圖片到本地。
- 觀察詞雲的詞是否有不該出現的詞語，分析原因對資料進行==二次去噪==。我當時就是因為第一次寫的正則沒有匹配"2018-05-07 13:48:39 2班xxxxxxx@qq.com"導致詞雲出現一個同學的名字。。後來把正則改了就決絕了。你也可能會遇到特殊情況需要經常@某個人，，你可以自行處理。
程式碼開箱可用，你需要把你的檔名==替換正確的路徑==，還有要在同級目錄下==建立img資料夾==儲存生成的兩張圖片。各種依賴環境很簡單，直接pip install xxx。 附上核心程式碼：
import re
import numpy as np
import matplotlib.pyplot as plt ##繪相簿
from wordcloud import WordCloud
import jieba.analyse
string="2018-05-05 15:55:40 2班某某(1315426911)"
pattern=re.compile(r'(\d*)-(\d*)-(\d*) .* .*')
#匹配 2018-05-05 15:55:40 2班某某(1315426911) 有一個坑點就是2018-05-07 13:48:39 2XXX<xxxx@qq.com>這種格式
pattern2=re.compile(r'(\d+):(\d+):\d+')#匹配 15:55:40
#pattern3=re.compile(r'(\()(.*?)(\))')#匹配 2班某某(1315426911)相關內容
f = open('E:/text.txt', 'r', encoding='utf-8') # 要進行分詞處理的文字檔案 (統統按照utf8檔案去處理，省得麻煩)
lines = f.readlines()
index=0
def getpicture(y):#matplotlib繪圖
x=[]
for i in range(0,24):
x.append(str(i)+':00-'+str(i+1)+':00')
Xi = np.array(x)
Yi = np.array(y)
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用來正常顯示中文標籤
plt.figure(figsize=(8, 6)) ##指定影象比例： 8：6
plt.subplots_adjust(bottom=0.2)
plt.scatter(Xi, Yi, color="red", label="times")
plt.xlabel("時間00：00—24：00")
plt.ylabel("發言次數/次")
plt.xticks(range(0,24),rotation=75,fontsize=10)#設定橫座標顯示24次。
plt.yticks(range(0,1000,50))
# plt.legend(loc='lower right') # 繪製圖例
# plt.show()
plt.savefig("img/hour.png",format='png')
plt.close()
def getciyun(value):
text=''
for i in range(0,24):
text+=str(value[i]['text'])
args=jieba.analyse.extract_tags(text,topK=80)
text=' '.join(args)
wc = WordCloud(background_color="white",
width=1500, height=1000,
min_font_size=40,
font_path="simhei.ttf",
# max_font_size=300, # 設定字型最大值
random_state=40, # 設定有多少種隨機生成狀態，即有多少種配色方案
) # 字型這裡有個坑，一定要設這個引數。否則會顯示一堆小方框wc.font_path="simhei.ttf" # 黑體
# wc.font_path="simhei.ttf"
my_wordcloud = wc.generate(text)
plt.imshow(my_wordcloud)
plt.axis("off")
plt.show()
wc.to_file('img/wordcloud.png')
def analysebyhour(lines):
value=[]
y=[]
index=0
for i in range(0,24):
value.append({})
value[i]['time']=0
value[i]['text']=''
for line in lines:
if line != "\n" and line.strip() != "\n" and line != None and not line.__contains__("撤回了"):
line = line.replace("[表情]", " ").replace("@全體成員", " ").replace("[表情]", " ").\
replace("[QQ紅包]我發了一個“專享紅包”，請使用新版手機QQ查收紅。", "").replace("\n", " ").replace("[圖片]",'')
if(pattern.search(line)):#匹配到正確的物件
date=pattern.search(line)
hour=pattern2.search(line).group(1)
#print(date.group(0),hour)
value[int(hour)]['time']+=1
index=hour
else:
print(line)
value[int(index)]['text']+=str(line)
for i in range(0,24):
print('time:',i,'time',value[i]['time'])
y.append(value[i]['time'])
getpicture(y)
getciyun(value)
analysebyhour(lines)
複製程式碼然後兩張圖片就出來了：
- 第一個點狀圖可以發現我們的聊天時間11：00-12：00突出，17：00-18：00突出，因為這個時間我們沒有課程在吃飯或者玩，有時候下午或者晚上或者其他的安排或者考試啥的可能會討論。而13：00-14：00這個點我們大部分在午休一般沒人聊天。但是醒了之後就會一直很活躍?。
- 第二個詞雲可以看的出我們最近在聊啥，因為我的記錄是5月十幾才開始，記錄不足，準備找一份記錄足的做下一個研究。你可能通過詞雲發現我的其實還有挺大的不足就是QQ小冰沒有過濾掉。希望如果讀者有興趣嘗試可以處理一下。
通過這些簡單的文字分析感覺很有趣，有興趣等有時間把第二種也做出來，那種可能做起來比較麻煩一些。但是難道還是不大的。這些東西看似高深，其實瞭解api做起來很簡單。
希望一起加油。