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。
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。
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：
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
##
## 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))
· 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。
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
##
## 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
##
## 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？
