- 前一段时间就想做简单的==可视化文本分析==玩，今天就花点时间先对整体班级的==QQ群聊天信息做一个简单的分析==。
- 打算分两步做，本文是最简单的第一步过程
- 1：分析整个聊天记录的时间分配。并且用matplotlib展示出来。并把整个聊天的关键词做成词云。
- 2：融入snownlp情感分析，分析每个同学的词云分布，每个同学的发言次数情况，以及每个同学文本的情绪走势以及展示。 等等
- 总的来说就是先试试水，然后再做第二个。用到的库有：jieba分词，wordcloud词云，numpy数组，matplotlib可视化，snownlp(第二个)，re正则(很重要)。这些用不到深入的东西，只用到很简单的一小部分，都可以直接 pip install xxx。
- 言归正传，下面说一下我的学习历程：
- 首先，第一步就是导出群聊消息，再qq的资源管理器上选择群可以==导出群消息==记录成txt文本。
- 要观察聊天记录的规则，了解==文本结构==。能够解析下列方框标注的内容很重要。
2018-05-05 15:55:40 2班某某(1315426911)
2018-05-07 13:48:39 2XXX<xxxx@qq.com>
复制代码- 下一步就需要==正则匹配==获取相应的内容。 这个地方的正则匹配规则也很简单，因为格式固定. 但是我要分配各个聊天的时间，那么就要匹配"15:55:40"这段话，可以重写一个正则或者在原来的正则上添加，我选择重写正则，对于==正则取值==前端时间简单写过取值两个正则表达式为：
pattern=re.compile(r'(\d*)-(\d*)-(\d*) .* .*')#匹配 信息
pattern2=re.compile(r'(\d+):(\d+):\d+')#匹配 15:55:40
复制代码- 既然能取到上一步骤人说的话，那么我们在下一步就需要对==数据去噪==。那些数据会对结果有影响但是我们不需要的，这里大致列了几个（要注意的是文本换行符/n，每行无论是什么都有一个换行符）：
- 空格消息
- 红包
- 表情
- 撤回的消息
- 图片
- @全体成员
- 个别群复读机严重适当处理
- 其他
- 这样每次按行读取，添加对应的次数和文本内容和水群次数。
- 制作聊天时间分布图。使用matplotlib展示坐标的一些坑点已经解决。保存图片到本地。
- 将各个文本合并生成班级主题词云。保存图片到本地。
- 观察词云的词是否有不该出现的词语，分析原因对数据进行==二次去噪==。我当时就是因为第一次写的正则没有匹配"2018-05-07 13:48:39 2班xxxxxxx@qq.com"导致词云出现一个同学的名字。。后来把正则改了就决绝了。你也可能会遇到特殊情况需要经常@某个人，，你可以自行处理。
代码开箱可用，你需要把你的文件名==替换正确的路径==，还有要在同级目录下==创建img文件夹==保存生成的两张图片。各种依赖环境很简单，直接pip install xxx。 附上核心代码：
import re
import numpy as np
import matplotlib.pyplot as plt ##绘图库
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) 有一个坑点就是2018-05-07 13:48:39 2XXX<xxxx@qq.com>这种格式
pattern2=re.compile(r'(\d+):(\d+):\d+')#匹配 15:55:40
#pattern3=re.compile(r'(\()(.*?)(\))')#匹配 2班某某(1315426911)相关内容
f = open('E:/text.txt', 'r', encoding='utf-8') # 要进行分词处理的文本文件 (统统按照utf8文件去处理，省得麻烦)
lines = f.readlines()
index=0
def getpicture(y):#matplotlib绘图
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'] # 用来正常显示中文标签
plt.figure(figsize=(8, 6)) ##指定图像比例： 8：6
plt.subplots_adjust(bottom=0.2)
plt.scatter(Xi, Yi, color="red", label="times")
plt.xlabel("时间00：00—24：00")
plt.ylabel("发言次数/次")
plt.xticks(range(0,24),rotation=75,fontsize=10)#设置横坐标显示24次。
plt.yticks(range(0,1000,50))
# plt.legend(loc='lower right') # 绘制图例
# 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, # 设置字体最大值
random_state=40, # 设置有多少种随机生成状态，即有多少种配色方案
) # 字体这里有个坑，一定要设这个参数。否则会显示一堆小方框wc.font_path="simhei.ttf" # 黑体
# 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("@全体成员", " ").replace("[表情]", " ").\
replace("[QQ红包]我发了一个“专享红包”，请使用新版手机QQ查收红。", "").replace("\n", " ").replace("[图片]",'')
if(pattern.search(line)):#匹配到正确的对象
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)
复制代码然后两张图片就出来了：
- 第一个点状图可以发现我们的聊天时间11：00-12：00突出，17：00-18：00突出，因为这个时间我们没有课程在吃饭或者玩，有时候下午或者晚上或者其他的安排或者考试啥的可能会讨论。而13：00-14：00这个点我们大部分在午休一般没人聊天。但是醒了之后就会一直很活跃😀。
- 第二个词云可以看的出我们最近在聊啥，因为我的记录是5月十几才开始，记录不足，准备找一份记录足的做下一个研究。你可能通过词云发现我的其实还有挺大的不足就是QQ小冰没有过滤掉。希望如果读者有兴趣尝试可以处理一下。
通过这些简单的文本分析感觉很有趣，有兴趣等有时间把第二种也做出来，那种可能做起来比较麻烦一些。但是难道还是不大的。这些东西看似高深，其实了解api做起来很简单。
希望一起加油。
