巴马香猪价格交流组

用R语言爬取美国新总统-川普的twitte进行数据分析

数据挖掘入门与实战 2018-05-23 02:05:12



数据挖掘入门与实战  公众号: datadw


Twitter是一个流行的社交网络,这里有大量的数据等着我们分析。Twitter R包是对twitter数据进行文本挖掘的好工具。 本文是关于如何使用Twitter R包获取twitter数据并将其导入R,然后对它进行一些有趣的数据分析。


第一步是注册一个你的应用程序。

为了能够访问Twitter数据编程,我们需要创建一个与Twitter的API交互的应用程序。





注册后你将收到一个密钥和密码:




获取密钥和密码后便可以在R里面授权我们的应用程序以代表我们访问Twitter:



根据不同的搜索词,我们可以在几分钟之内收集到成千上万的tweet。 这里我们测试一个关键词littlecaesars的twitter结果:


抓取最新的1000条相关twitter


由于默认的抓取结果是json格式,因此使用twlisttodf函数将其转换成数据框



然后我们做一些简单的文本清理



从得到的数据里,我们可以看到有twitter发表时间,内容,经纬度等信息




在清理数据之后,我们对twitter内容进行分词,以便进行数据可视化



分词之后可以得到相关twitter的高频词汇,然后将其可视化





除此之外,还可以结合数据中的时间戳数据和地理数据进行可视化分析




推特和FB其实也是科研讨论的重镇。但是要怎么来分析推特上都讨论啥呢?光用Mendeley的话,只能有只言片语,这次又要带你打开新世界的大门了。


首先推荐用一款推特分析工具网站,叫做推特分析家,功能是实时分析推特上的动态。这是一款基于R语言Shiny的网页,由于这个是德国人做的,所以,会分析德语和英语两种语言。



所用到的数据分析的资源,其实就是推特上的人家的东西。会对这些文字,进行文本挖掘,然后来分析你要的东西。比如,我分析一下LncRNA哈。



左侧的是文本数据的来源,可以发现,这最近的推特还是前几天刚发的。也就是说这个网站分析的数据都是实时数据。



那这些推特具体讲的内容有些啥呢?主要是来自于LncRNA的论文和一些杂志的推送。反正推特就好比国外科研狗的票圈,转一下杂志上的牛逼文章的话,可能会显得更上等次,也是在跟老板说:看我很勤奋,有在看文献哦!



在WordCloud里,就会显示在推特上,讨论的最多的和lncRNA有关的词汇。比如:表达,变化,剪切,模式,肿瘤等等,说实话是没有什么特别大的用处哈。



接着是词频的分簇,可以看得到大概这个词在所有的句子中出现频率的分簇分析。但我不懂“httpstcodadiagxfh”有啥关系“not so junk dna”,要么是个网站啥的……好吧,不管怎么样,好像推特上热议的应该是lncRNA的剪切。



接下去看一下network,这个是推送这些推特的账号之间的联系,可以看得,有蛮多是杂志,还有一些是谁?有可能就是痴迷于lncRNA研究的那些人了,有机会的话,可以考虑关注一下。




此外还有些付带功能,比如,我们会巧妙地发现,在国外研究lncRNA的安卓狗主要是上班前和下班后会推送lncRNA的内容。而苹果狗则集中在下午和午夜……


网址:https://longhowlam.shinyapps.io/TweetAnalyzer/

还顺便分析了一下别的关键词,比如:机器学习、深度学习。


这种网站基本都是要翻墙才能进去的呢,毕竟要调用推特的数据。不过作为爱国少年的我,也想看看推特上都在讨论中国什么,于是我搜了一下“China”调整到推特内容1000,结果:



好吧,最近川普大爷赢了……



近日,一直以“推特治国”闻名的川普正式宣誓就任了美国第 45 任总统。


川普这次在美国大选中胜出,他的推特也发挥了巨大的作用。相比大多数总统竞选人来说,他们都没时间自己发推。但推特玩的风生水起的川普却表示,他的推特都是自己发的……


那么事实真的是这样吗?

 

有个美国网友发现川普发推特有两个客户端。一个安卓,另一个是 iPhone 。



而且这位细心的网友还发现,一些言辞激烈的推都来自安卓;而画风比较正常的推都来自 iPhone


这一发现,也引起了数据分析师 David Robinson 的注意。David  注意到当川普发祝贺内容时,是通过 iPhone ;而当他抨击竞选对手时而是通过安卓。而且两个不同客户端通常发推的时间也不太相同。


本着科学严谨的态度,程序员小哥决定让数据说话,于是做了程序,抓取分析了川普发过的推,终于发现了一些模式。并且通过统计,图表,最终他基本确定,川普的推特并不是他一个人写的。



数据证明,安卓端和iPhone发的推分别是两个人所写的。而且发推时间,使用标签,加链接,转发的方式也截然不同。同时,安卓端发的内容更加激烈和消极。


如果就像川普采访中所说他使用的手机是三星 Galaxy ,我们可以确信用安卓发推的是川普本人,用 iPhone 发的大概是他的团队助理。



发推时间对比


首先用 twitteR 包中的 userTimeline 函数导入川普发推的时间数据:

 

♦  library ( dplyr )

♦  library ( purrr )

♦  library  ( twitteR )

 

# You'd need to set global options with an authenticated appsetup_twitter_oauth(getOption("twitter_consumer_key"),

                    getOption("twitter_consumer_secret"),

                    getOption("twitter_access_token"),

                    getOption("twitter_access_token_secret"))

# We can request only 3200 tweets at a time; it will return fewer

# depending on the APItrump_tweets <- userTimeline("realDonaldTrump", n = 3200)trump_tweets_df <- tbl_df(map_df(trump_tweets, as.data.frame))

 

# if you want to follow along without setting up Twitter authentication,

# just use my dataset:load(url("http://varianceexplained.org/files/trump_tweets_df.rda"))


稍微清理下数据,提取源文件。(在此只分析来自 iPhone 和 Android tweet  的数据,除去很少一部分发自网页客户端和 iPad 的推文)。

 

library(tidyr)

tweets <- trump_tweets_df %>%

  select(id, statusSource, text, created) %>%

  extract(statusSource, "source", "Twitter for (.*?)<") %>%

  filter(source %in% c("iPhone", "Android"))

  

分析的数据包括来自 iPhone 的 628 条推文,来自 Android 的 762 条推文


主要考虑推文是在一天内什么时间发布的,在此我们可以发现区别:

 

♦  library(lubridate)

♦  library(scales)

 

tweets %>%

  count(source, hour = hour(with_tz(created, "EST"))) %>%

  mutate(percent = n / sum(n)) %>%

  ggplot(aes(hour, percent, color = source)) +

  geom_line() +

  scale_y_continuous(labels = percent_format()) +

  labs(x = "Hour of day (EST)",

       y = "% of tweets",

       color = "")



川普一般习惯早上发推,而他的助理会集中在下午或晚上发推。



发文习惯对比


当川普的安卓手机转推时,习惯用双引号引用这整句话。



而 iPhone 转推时,一般不使用双引号



安卓手机: 500 多条推文没有双引号,200 多条有双引号


iPhone:几乎没有双引号

 

与此同时,在分享链接和图片时,安卓和 iPhone 也大不相同。

 

tweet_picture_counts <- tweets %>%

  filter(!str_detect(text, '^"')) %>%

  count(source,

        picture = ifelse(str_detect(text, "t.co"),

                         "Picture/link", "No picture/link"))

ggplot(tweet_picture_counts, aes(source, n, fill = picture)) +

  geom_bar(stat = "identity", position = "dodge") +

  labs(x = "", y = "Number of tweets", fill = "")



数据证明 iPhone 端 发的推文很多会附上图片,链接。内容也以宣传为主。


比如下面这条:



而川普安卓端发的推文没有图片、链接,更多是直接的文字,比如:




用词对比


在对比安卓和 iPhone 用词区别时,David 用到了他和 Julia Silge 一起编写的 tidytext 包。


用 unnest_tokensfunction 把句子分解为单独的词:

 

library(tidytext)

reg <- "([^A-Za-z\\d#@']|'(?![A-Za-z\\d#@]))"tweet_words <- tweets %>%

  filter(!str_detect(text, '^"')) %>%

  mutate(text = str_replace_all(text, "https://t.co/[A-Za-z\\d]+|&", "")) %>%

  unnest_tokens(word, text, token = "regex", pattern = reg) %>%

  filter(!word %in% stop_words$word,

         str_detect(word, "[a-z]"))

tweet_words

 

## # A tibble: 8,753 x 4

##                    id source             created                   word

##                 <chr>  <chr>              <time>                  <chr>

## 1  676494179216805888 iPhone 2015-12-14 20:09:15                 record

## 2  676494179216805888 iPhone 2015-12-14 20:09:15                 health

## 3  676494179216805888 iPhone 2015-12-14 20:09:15 #makeamericagreatagain

## 4  676494179216805888 iPhone 2015-12-14 20:09:15             #trump2016

## 5  676509769562251264 iPhone 2015-12-14 21:11:12               accolade

## 6  676509769562251264 iPhone 2015-12-14 21:11:12             @trumpgolf

## 7  676509769562251264 iPhone 2015-12-14 21:11:12                 highly

## 8  676509769562251264 iPhone 2015-12-14 21:11:12              respected

## 9  676509769562251264 iPhone 2015-12-14 21:11:12                   golf

## 10 676509769562251264 iPhone 2015-12-14 21:11:12                odyssey

## # ... with 8,743 more rows


总体来说川普推文中有哪些常用词呢?



在此基础上我们再来分别看安卓和 iPhone 常用词的区别。



android_iphone_ratios <- tweet_words %>%

  count(word, source) %>%

  filter(sum(n) >= 5) %>%

  spread(source, n, fill = 0) %>%

  ungroup() %>%

  mutate_each(funs((. + 1) / sum(. + 1)), -word) %>%

  mutate(logratio = log2(Android / iPhone)) %>%

  arrange(desc(logratio))




结论

·  带标签的推文基本来自 iPhone 。

·  iPhone 推文中常用词有宣传性的词,比如:“参加”,“明天”,“晚上 7 点”。

·  安卓的推文常用有强烈情绪性的词汇,“差劲”,“疯了”,“软弱”,“傻瓜”等等。




情感分析


安卓和 iPhone 推文在情感上也有很大的差异,让我们来量化一下。用到 tidytext 当中的NRC Word-Emotion Association 词典,主要把用词联系以下十种情绪分析:积极,消极,愤怒,期待,厌恶,恐惧,快乐,悲伤,惊讶,信任。

 

nrc <- sentiments %>%

  filter(lexicon == "nrc") %>%

  dplyr::select(word, sentiment)

nrc

 

## # A tibble: 13,901 x 2

##           word sentiment

##          <chr>     <chr>

## 1       abacus     trust

## 2      abandon      fear

## 3      abandon  negative

## 4      abandon   sadness

## 5    abandoned     anger

## 6    abandoned      fear

## 7    abandoned  negative

## 8    abandoned   sadness

## 9  abandonment     anger

## 10 abandonment      fear

## # ... with 13,891 more rows

 

为了分别计算安卓和 iPhone 推文的情感,可以把不同用词分类。

 

sources <- tweet_words %>%

  group_by(source) %>%

  mutate(total_words = n()) %>%

  ungroup() %>%

  distinct(id, source, total_words)

by_source_sentiment <- tweet_words %>%

  inner_join(nrc, by = "word") %>%

  count(sentiment, id) %>%

  ungroup() %>%

  complete(sentiment, id, fill = list(n = 0)) %>%

  inner_join(sources) %>%

  group_by(source, sentiment, total_words) %>%

  summarize(words = sum(n)) %>%

  ungroup()

head(by_source_sentiment)

 

## # A tibble: 6 x 4

##    source    sentiment total_words words

##     <chr>        <chr>       <int> <dbl>

## 1 Android        anger        4901   321

## 2 Android anticipation        4901   256

## 3 Android      disgust        4901   207

## 4 Android         fear        4901   268

## 5 Android          joy        4901   199

## 6 Android     negative        4901   560

 

(比如,我们可以看到安卓推文中 4901 个词中 321 个词与情感“愤怒”有关。)


同时可以用 Poisson test 分析,比起 iPhone ,安卓推文更喜欢使用带强烈情绪的词。

 

library(broom)

sentiment_differences <- by_source_sentiment %>%

  group_by(sentiment) %>%

  do(tidy(poisson.test(.$words, .$total_words)))

sentiment_differences

 

## Source: local data frame [10 x 9]

## Groups: sentiment [10]

##

##       sentiment estimate statistic      p.value parameter  conf.low

##           (chr)    (dbl)     (dbl)        (dbl)     (dbl)     (dbl)

## 1         anger 1.492863       321 2.193242e-05  274.3619 1.2353162

## 2  anticipation 1.169804       256 1.191668e-01  239.6467 0.9604950

## 3       disgust 1.677259       207 1.777434e-05  170.2164 1.3116238

## 4          fear 1.560280       268 1.886129e-05  225.6487 1.2640494

## 5           joy 1.002605       199 1.000000e+00  198.7724 0.8089357

## 6      negative 1.692841       560 7.094486e-13  459.1363 1.4586926

## 7      positive 1.058760       555 3.820571e-01  541.4449 0.9303732

## 8       sadness 1.620044       303 1.150493e-06  251.9650 1.3260252

## 9      surprise 1.167925       159 2.174483e-01  148.9393 0.9083517

## 10        trust 1.128482       369 1.471929e-01  350.5114 0.9597478

## Variables not shown: conf.high (dbl), method (fctr), alternative (fctr)

 

我们可以用 95% 的置信区间来明确二者的区别:



从而我们可知,川普安卓的推文比起 iPhone ,使用“厌恶”“悲伤”“恐惧”“愤怒”等消极情绪词的比例高 40-80%



在数据挖掘下

川普推特背后的团队就这么被扒了个精光

所以,看川普的推特,只要看安卓端的就好了。

 

但据报道,上任后的川普必须使用一部由美国特工处认证的安全加密手机,以替换他之前使用的安卓系统手机。据称前总统奥巴马就无法通过安全手机发推文,那使用安全手机后,川普还能继续愉快的“推特治国”吗?