python可視化文本分析-分析Q群聊天記錄(一)
- 2019 年 10 月 7 日
- 筆記
- 前一段時間就想做簡單的可視化文本分析玩，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布，每個同學的發言次數情況，以及每個同學文本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數組，matplotlib可視化，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，第一步就是導出群聊消息，再qq的資源管理器上選擇群可以 導出群消息記錄成txt文本。
- 要觀察聊天記錄的規則，了解 文本結構。能夠解析下列方框標註的內容很重要。
這部分主要的文本格式為：
2018-05-05 15:55:40 2班某某(1315426911) 2018-05-07 13:48:39 2XXX<[email protected]>
- 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添加，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則表達式為：
pattern=re.compile(r'(d*)-(d*)-(d*) .* .*')#匹配 資訊 pattern2=re.compile(r'(d+):(d+):d+')#匹配 15:55:40
- 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 數據去噪。那些數據會對結果有影響但是我們不需要的，這裡大致列了幾個（要注意的是文本換行符/n，每行無論是什麼都有一個換行符）：
- 空格消息
- 紅包
- 表情
- 撤回的消息
- 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，添加對應的次數和文本內容和水群次數。
- 製作聊天時間分布圖。使用matplotlib展示坐標的一些坑點已經解決。保存圖片到本地。
- 將各個文本合併生成班級主題詞雲。保存圖片到本地。
- 觀察詞雲的詞是否有不該出現的詞語，分析原因對數據進行 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[email protected]"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，你需要把你的文件名替換正確的路徑，還有要在同級目錄下創建img文件夾保存生成的兩張圖片。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 ##繪圖庫 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<[email protected]>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本文件 (統統按照utf8文件去處理，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)) ##指定影像比例： 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)#設置橫坐標顯示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, # 設置字體最大值 random_state=40, # 設置有多少種隨機生成狀態，即有多少種配色方案 ) # 字體這裡有個坑，一定要設這個參數。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)):#匹配到正確的對象 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)
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。
通過這些簡單的文本分析感覺很有趣，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，其實了解api做起來很簡單。
