一梦江湖费六年——QQ群聊天分析

摘要:
每个QQ群都有自己的消亡史。只是因为人们在风中,所以我们不能聚集和分散。死前晒太阳总比下定论盗墓好。当然,我仍然无法忍受删除它,那么我如何通过选择一个活动适度的群来导出可分析的QQ群聊天记录?
本文结构:
一、那些年我们加过的QQ群
二、数据读入和整理(一)——来自蓝翔的挖掘机
二、数据读入和整理(二)——你不知道的事
三、聊天宏观(1)——寤寐思服
三、聊天宏观(2)日月篇
三、聊天宏观(3)七曜
四、聊天微观(1)——黄金档和午夜频道
四、聊天微观(2)——充电两小时聊天五分钟
四、聊天微观(3)——幸存者偏差和沉默的羔羊
五、昵称(1)——我们曾经的非主流
五、昵称(2)——所爱隔山海
六、内容分词——爱在心口难开,你我之间隔了正无穷个表情包

好吧,我的来捣乱的,原谅我瞎取名字吧,最近真实超喜欢小椴在他的作品里到处种诗啊,真是忍不住我也要到处放!~UC震惊部我大概是去不了了////////
另,本文是在参考/模仿,甚至可以说是抄袭别人的基础上所作,希望原作者见谅


一梦江湖费五年。归来风物故依然。相逢一醉是前缘。
迁客不应常眊矂,使君为出小婵娟。翠鬟聊著小诗缠。
                                                       ——苏轼《浣溪沙》
        


  • 一、那些年我们加过的QQ群
    如果标题要这么起的话,那我要想起“刹那芳华尽,弹指红颜老”,想起那个叫做刹那的群来,想起那些人儿来,我加入他们已经六载有余。你要说这是什么鬼名字——不知所踪的群主大概要说“情不知所起”,我想应该是自取《天龙八部》回三十有五,恰这恩怨情仇,也当如无崖子、天山童姥、李秋水之间外加一个李沧海一般复杂了。
        每一个QQ群都有其消亡史,只怨人在风中,聚散都不由你我
    与其盖棺定论、盗墓考古,不如生前来晒晒太阳。
    当然,我还是舍不得拿它开刀的,所以选择某活跃度适中的群开扒
    

     如何导出可分析的QQ群聊天记录?
            注意轻聊版没有此功能
一梦江湖费六年——QQ群聊天分析第1张
一梦江湖费六年——QQ群聊天分析第2张
选择群——右键——导出
2 保存时选择为txt格式(尘封旧物,应有戌时的光打着)
一梦江湖费六年——QQ群聊天分析第3张
数据格式如下:
一梦江湖费六年——QQ群聊天分析第4张


  • 二、数据读入和整理(一)——来自蓝翔的挖掘机
    寻龙点穴,翻山倒斗,蓝翔挖掘机不可或缺,大概总以蓝翔代山寨,本文既然是一通抄袭,那用这辍学少年必备,小朋友最爱的挖机来挖挖数据是最合适不过的。
# 1读入数据
  1. file_data <- read.table('数据分析1excel spss.txt',
  2. stringsAsFactors = F,
  3. encoding = "UTF-8",sep=' ',
  4. quote=NULL)
stringsAsFactors = F字符不转为因子
encoding ="UTF-8"是设置解码格式,为了防止中文乱码
sep=' '按照行分隔,把txt中的每一行作为数据框file_data的一行
注意,如果不加quote=NULL,则会出错(部分文件不需要加)
读到的数据如下:
一梦江湖费六年——QQ群聊天分析第5张
 (部分聊天数据后面居然还跟着/n,那我们到时候剔除掉好了)

#2定义数据框和变量
  1. data <- data.frame(user_name = c(), datetime = c(), text = c())
  2. user_name <- character()
  3. datetime <- character()
  4. text <- character()
#分解数据为名字、时间、和文本(聊天内容)
  1. for(i in 1:dim(file_data)[1]){
  2. dt_pattern <- regexpr('[0-9]{4}-[0-9]{2}-[0-9]{2} [0-9]+:[0-9]+:[0-9]+',file_data[i,])
  3. if(dt_pattern == 1) {
  4. user_begin <- dt_pattern+attr(dt_pattern,'match.length') + 1
  5. user_end <- nchar(file_data[i,])
  6. user_name <- substring(file_data[i,],user_begin,user_end)
  7. dt_begin <- dt_pattern
  8. dt_end <- dt_pattern+attr(dt_pattern,'match.length')-1
  9. datetime <- substring(file_data[i,],dt_begin,dt_end)
  10. text <- file_data[i+1,]
  11. data <- rbind(data, data.frame(Name = user_name,datetime = datetime,text = text))
  12. }
  13. }
正则表达式:[0-9]{4}-[0-9]{2}-[0-9]{2} [0-9]+:[0-9]+:[0-9]+
年-月-日 时:分:秒————这作为一个整体
关于regexpr函数
  1. regexpr returns an integer vector of the same length as 
  2. text giving the starting position of the first match 
  3. or -1 if there is none, 
  4. with attribute "match.length", 
  5. an integer vector giving the length of the matched text (or -1 for no match).

  6. The match positions and lengths are in characters unless useBytes = TRUE 
  7. is used, when they are in bytes. 
  8. If named capture is used 
  9. there are further attributes "capture.start", "capture.length" and "capture.names".
亦即匹配则返回一个整型向量
    (这个向量中的值表示的是text中满足正则条件的那个串的第一个家伙在text中的位置),不匹配则返回-1
例子:
  1. > pattern <- '[0-9]{4}-[0-9]{2}-[0-9]{2}'
  2. > strings <- "我 测试1 2016-07-12 14:13:45 测试2 2016-07-12 "
  3. > regexpr(pattern, strings,
  4. + useBytes = FALSE)
  5. [1] 7 #返回值
  6. attr(,"match.length") #属性match.length
  7. [1] 10
  8. > length(strings)
  9. [1] 1
match.length属性的值存储所匹配的那个串的长度(感觉自己在撸串)
    观察数据:
一梦江湖费六年——QQ群聊天分析第6张
即 
年月日 时分秒 用户名
消息内容
  1. user_begin <- dt_pattern+attr(dt_pattern,'match.length') + 1
  2. user_end <- nchar(file_data[i,])
  3. user_name <- substring(file_data[i,],user_begin,user_end)
user_begin是用户名起点
attr(变量,属性名)的意思本应是取/赋属性
实际上应该是当match.length属性存在且右侧有<-时是赋值,否则就是取match.length属性的值
user_end是用户名终点
     nchar就是得到一个字符串的长度(有多少个),举个例子
    1. > x <- c("asfef", "qwerty", "yuiop[", "b", "stuff.blah.yech")
    2. > nchar(x)
    3. [1] 5 6 6 1 15
    4. > nchar(deparse(mean))
    5. [1] 18 17
    6. > deparse(mean)
    7. [1] "function (x, ...) " "UseMethod("mean")"
deparse是一个可以将一个任意的R对象转化为字符串的的函数
  1. nchar takes a character vector as an argument and 
  2. returns a vector whose elements contain the sizes of
  3. the corresponding elements of x.
user_name是发布该条聊天记录的用户的用户名
    substring(被截取的字符串,截取起点,截取终点)
datetime是该条聊天记录的发布的时间
text是消息内容(从数据格式可以看到,紧随在下一行)

  • 二、数据读入和整理(二)——你不知道的事
    如果你听过这首《你不知道的事》,一定觉得它很温柔,但生活并不如歌——多的是你不知道的事。
    上面的操作看起来很完美,但是问题出现了,如果该QQ账号发布的消息本身没有换行,那么就算他发布的消息内容很多也会被封装为一行,但如果消息本身就换行了呢?
    比如下面这种:
一梦江湖费六年——QQ群聊天分析第7张
以及,部分是系统消息,比如xxx分享了xxx文件
一梦江湖费六年——QQ群聊天分析第8张
所以我将上述代码修改为:
  1. file_data <- read.table('数据分析1excel spss.txt',
  2. stringsAsFactors = F,
  3. encoding = "UTF-8",sep=' ',
  4. quote=NULL)
  5. head(file_data)
  6. #2定义数据框和变量
  7. data <- data.frame(user_name = c(),
  8. datetime = c(), text = c(),
  9. stringsAsFactors = F)
  10. user_name <- character()
  11. datetime <- character()
  12. text <- character()
  13. user_name <- character()
  14. datetime <- character()
  15. text <- character()
  16. # file_data <- file_data[1:110,,drop=F]
  17. class(file_data)
  18. #分解数据为名字、时间、和文本(聊天内容)
  19. pattern <- '[0-9]{4}-[0-9]{2}-[0-9]{2} [0-9]+:[0-9]+:[0-9]+'

  20. j <- 1
  21. for(i in 1:dim(file_data)[1]){
  22. dt_pattern <- regexpr(pattern,file_data[i,])
  23. if(dt_pattern == 1) {
  24. if(i >5 & (i-j)>2){
  25. for(k in (j+2):(i-1)){
  26. last <- dim(data)[1]
  27. data[last,3] <-
  28. paste(data[last,3],file_data[k,],sep="")
  29. }
  30. }
  31. user_begin <- dt_pattern+attr(dt_pattern,'match.length') + 1
  32. user_end <- nchar(file_data[i,])
  33. user_name <- substring(file_data[i,],user_begin,user_end)
  34. dt_begin <- dt_pattern
  35. dt_end <- dt_pattern+attr(dt_pattern,'match.length')-1
  36. datetime <- substring(file_data[i,],dt_begin,dt_end)
  37. text <- file_data[i+1,]
  38. data <- rbind(data, data.frame(Name = user_name,datetime = datetime,
  39. text = text,stringsAsFactors = F))
  40. j <- i
  41. }
  42. }
  43. datasave <- data
注意1
        两处stringsAsFactors = F的设置
注意2
        新增了一个if判断,以避开连续

  • 三、聊天宏观(1)——寤寐思服
       渺万里层云,千山暮雪,只影向谁去
    如果你暗恋一个妹纸,你一定会埋伏在她的在线时刻,乘隙找她聊几句,“求之不得,寤寐思服。悠哉悠哉,辗转反侧”,我们还是观察下她在什么时候发言较多吧(表明她有闲暇且有交流欲望)。以此类推,尽管,我们这里都是基佬或女汉子......但是但是!骚年如果你要提问,不也应该选择在人多的时候嘛?这样你获得答案的概率也更高。
那么就让我们来看看大家都喜欢在什么时候上线聊天吧
  1. library(sqldf)
  2. # lubridate包是为了方便取日期数据的
  3. library(lubridate)
  4. library(ggplot2)
  5. library(ggthemes)
  6. #######################################################第二部分
  7. #每天的消息都有多少?
  8. time <- data$datetime
  9. p <- paste(year(time),month(time),day(time),sep = "-")
  10. tail(p,50)
  11. Timed <- data.frame(days = p)
  12. mydata1 <- sqldf('select days iddays,count() Freq from
  13. Timed group by days')
  14. #不要加AS
  15. mydata1 <- mydata1[order(as.Date(mydata1$iddays)),]
  16. head(mydata1)
  17. ggplot(mydata1,aes(x=as.Date(iddays),y=Freq))+
  18. geom_area(fill='mediumpurple1',alpha=0.5)+
  19. geom_point(shape="♠",size=3,colour='salmon')+
  20. xlab("时间")+ylab("消息密集度")+
  21. theme_solarized_2()
1其中sqldf包可以按照sql的方式来查询dataframe的内容
2其中lubridate包是用来操作日期数据的(如month、day、hour等函数)
3要想达到这样的效果,只要用搜狗插入(所有的符号大全里,并不是所有的符号都支        持,挑选几个试试就好啦~),通过alpha设置透明度。
order(as.Date(mydata1$iddays))要先转化为日期格式再使用order,不然字符串是识别不了顺序的。
回忆下:order给出升序排序时,应该排在第一位的那个数,在当前的第几个位置,其他的以此类推。比如 a[order(a)]就是对向量a升序排序。
这个图画的是每一天的消息记录条数
一梦江湖费六年——QQ群聊天分析第9张
 可见我的样本其实是不全的,基本上集中在7月至9月,而9月到12月的数据是空白,而1月-2月数据又重新开始出现,嗨,了解我的人大概知道为什么我那段时间不在的了。



  • 三、聊天宏观(2)日月篇
    日月忽其不淹兮,春与秋其代序
    
    大家喜欢在哪几个月的哪些天扯淡呢?
  1. Time <- data.frame(year = year(time),
  2. month = month(time),
  3. day = day(time),
  4. hour = hour(time))
  5. my.data2 <- sqldf('select month,day,count(*) Freq from Time
  6. group by month,day')
  7. head(my.data2)
  8. p2 <- ggplot(data = my.data2,
  9. mapping = aes(x = factor(day), y = factor(month),
  10. fill = Freq))
  11. p2 <-p2+geom_tile()+
  12. scale_fill_gradient(low = '#2ecc71',
  13. high = '#e74c3c')+
  14. xlab("所在天数")+
  15. ylab("所在月份")
  16. p2
  17. p2+theme_solarized_2()
 tile在英语中的意思是地砖、瓦片,很形象吧?
scale_fill_gradient函数作用是设置高频率和低频率各自的颜色
效果如下:
一梦江湖费六年——QQ群聊天分析第10张
 那些黑色的块,其实就是缺失值吧。
由于缺失值的存在,让我觉得自己是卖狗皮膏药的,所以上个主题吧
一梦江湖费六年——QQ群聊天分析第11张
 但是我又想起《晚秋》,总感觉自己像是吃软饭的....所以!
  1. my.data2
  2. <- sqldf('select month,day,count(*) Freq from Time
  3. group by month,day')
  4. #方式一
  5. #生成序列
  6. date <- seq.Date(from=as.Date('2016-01-01'),
  7. to=as.Date('2016-12-31'), by='1 day')
  8. head(date)
  9. library(lubridate)
  10. months <-month(date)
  11. days<-day(date)
  12. #构建一个数据框
  13. dataf <- data.frame(month = c(),
  14. datetime = c(),
  15. text = c())
  16. all <- paste(months,days,sep = "")
  17. my.data2all <- paste(my.data2[,1],my.data2[,2],sep = "")
  18. pos <- match(all,my.data2all)
  19. for(i in 1:length(days)){
  20. dataf[i,1] <- months[i]
  21. dataf[i,2] <- days[i]
  22. if(!is.na(pos[i])){
  23. dataf[i,3] <- my.data2[pos[i],3]
  24. }else{
  25. dataf[i,3] <- NA
  26. }
  27. }
  28. colnames(dataf) <- c("month","day","Freq")
  29. library(ggplot2)
  30. p1 <- ggplot(data = dataf,
  31. mapping = aes(x = factor(day), y = factor(month),
  32. fill = Freq))
  33. p1 <-p1+geom_tile()+
  34. scale_fill_gradient(low = '#2ecc71',
  35. high = '#e74c3c',na.value="#ecf0f1")+
  36. xlab("所在天数")+
  37. ylab("所在月份")
  38. p1
效果如下:
一梦江湖费六年——QQ群聊天分析第12张
 是的,你没看错,na.value这个参数就是这么坑爹,只有当值为NA的时候才发挥作用(毕竟Freq可以是NA,但是x和y还是要存在才可以啊),所以我就用上述代码自己拼接了一个数据框出来
可是,虽说箪食瓢饮回也不改其乐,但这个看脸的年代,脸上有几颗痘痘,衣服上有几块补丁,实在是苦啊~!
所以,就别怪我整容了!
  1. d <- rep(1:31,12)
  2. m <- rep(1:12,each =31)
  3. all <- paste(m,d,sep = "")
  4. all
  5. my.data2all <- paste(my.data2[,1],my.data2[,2],sep = "")
  6. pos <- match(all,my.data2all)
  7. for(i in 1:length(d)){
  8. dataf[i,1] <- m[i]
  9. dataf[i,2] <- d[i]
  10. if(!is.na(pos[i])){
  11. dataf[i,3] <- my.data2[pos[i],3]
  12. }else{
  13. dataf[i,3] <- NA
  14. }
  15. }
  16. colnames(dataf) <- c("month","day","Freq")
  17. library(ggplot2)
  18. p1 <- ggplot(data = dataf,
  19. mapping = aes(x = factor(day), y = factor(month),
  20. fill = Freq))
  21. p1 <-p1+geom_tile(colour="papayawhip")+
  22. scale_fill_gradient(low = '#2ecc71',
  23. high = '#e74c3c',na.value="peachpuff")+
  24. xlab("所在天数")+
  25. ylab("所在月份")
  26. p1
虽然说有可能整残了,不过呢,不整一整,是不会死心哒
一梦江湖费六年——QQ群聊天分析第13张
            一梦江湖费六年——QQ群聊天分析第14张


  • 三、聊天宏观(3)七曜
     阴阳为之愆度,七曜为之盈缩——“谓之七曜者,日月五星皆照天下,故谓之曜”
     那么大家喜欢在星期几呢?
  1. # 大家喜欢在星期几聊天呢?
  2. weekdays <- wday(data$datetime)
  3. p3 <- ggplot(data = NULL,
  4. mapping = aes(x = weekdays,
  5. fill = factor(weekdays)))
  6. labels <- c("周一","周二","周三",
  7. "周四","周五","周六","周日")
  8. p3+geom_bar(show.legend = F,alpha=0.6)+
  9. scale_x_continuous(breaks = seq(1,7,by=1),
  10. labels = labels)+
  11. xlab('星期几')+ylab('消息条数')+
  12. theme_solarized_2()
设定了alpha,通过labels设定了坐标轴标签,这里的breaks和labels的长度要一致
一梦江湖费六年——QQ群聊天分析第15张
    看来周一大家都忙着干活,嗯,第一天嘛,肯定是很多事情的了,周四就开始有怠工的情绪了,到周五,真是按耐不住周末到来的喜悦啊,喜迎工人阶级对资本家们的伟大胜利——终于放假啦!最大值就出现在工作日,老板你心里怎么想?我这是业务交流啊业务交流!....周六的消息也蛮多的,个人觉得,要么大家都是没有女票的死宅,要么...大概是在一把辛酸泪的加班吧。


 
  • 四、聊天微观(1)——黄金档和午夜频道
小时候我们有的八点黄金档,后来我们学会了熬夜
大家喜欢在一天里的那些时间扯淡呢?
  1. my.data3 <- sqldf('select hour,count(*) Freq from Time
  2. group by month,day')
  3. #取得了小时的频率
  4. #(Freq的意思是计数后的频率存在名为Frequency的列)
  5. head(my.data3)
  6. #查看数据后发现有相同值
  7. #于是我们打算合并之
  8. mydata3 <- my.data3

  9. #需要这一步是因为如果写的是my.data3会识别不了
  10. my.data23 <- sqldf('select hour,SUM(Freq) Freq from mydata3
  11. group by hour')
  12. head(my.data3)
  1. ggplot(my.data3,aes(x=hour,y=Freq))+
  2. geom_area(fill='cadetblue2',alpha=0.5)+
  3. geom_line(linetype = "dotdash",colour='brown2',
  4. size=1.2,alpha=0.9)+
  5. geom_point(shape="★",size=3,colour='brown1')+
  6. scale_x_continuous(breaks = seq(8,23,by=1),
  7. labels = seq(8,23,by=1))+
  8. xlab("时间")+ylab("消息密集度")+
  9. theme_solarized_2()
出图如下:
一梦江湖费六年——QQ群聊天分析第16张
早上:
你看,早起干活的人很少呐(早于8点的消息记录是0,当然,对于有固定上班时间的白领们而言,早起是不合理的)
早上大家基本上忙着干活(8点到12点),老板快发员工奖!
中午:
    中午吃饭是没人扯淡的(12-13点之间)
下午:
吃完午饭闲扯个蛋(14点出现一个小浪尖)
开始活跃起来了
下午4点之后大家基本上开始怠工啦,消息开始增加,在下班前达到峰值。
晚上:
大家都得浪费时间在下班路上/吃饭(18--19点之间),这个点也没人。
20点次峰开始出现,所以说黄金档八点整不是白叫的,看肥皂剧或者泡论坛闲扯
都在这个时间段,聊天也在这个点也很合乎逻辑。
21点的下降可以认为部分人已经开始准备洗漱和入睡,在东部对于第二天还要上班的同学把10点左右设为上床时间也蛮正常,不过具体是上床玩手机还是睡觉是个问题呐,反正不跟基友们瞎扯了,毕竟还有妹子/游戏/小说呢?
夜猫子总是很顽强的.....大概是夜猫军团源源增兵,也许是没有女票的猿们上床了还是跟基友们扯淡,峰值居然出现在23点。好吧,不是跟老板说好了——感觉身体被掏空?不知道这个午夜频道有没有福利呢?
      剧情反转:
          上面我们提到聊天消息最多的日子出现在一周的周五,看起来好像大家是怠工了,但实际上未必如此,从这里的消息时间来看,大家还是很有职业道德的,赞一个,老板你感动吗?因为大家的聊天基本上集中在下午4点之后,所以相信大家还是在认真完成工作的前提下在群里灌灌水的。看来周五真是让人想来一个生命的大和谐。

  • 四、聊天微观(2)——充电两小时聊天五分钟
    充电五分钟,通话两小时,其实并没什么卵用,事实是我们很遇到愿意跟你持续沟通的对方,往往就是满格的电池容量,空荡荡的聊天列表。 
    如果一条消息五分钟都没有得到回应,那么就算是断裂了,这作为一组对话。
  1. #连续聊天的次数
  2. # 连续对话的次数,以五分钟为间隔
  3. data$realtime <- strptime(data$datetime,'%Y-%m-%d %H:%M')
  4. # 时间排序没有问题
  5. # (毕竟我是读取txt后提取的,人家腾讯帮我搞好了)
  6. head(data)
  7. # 将数据按讨论来分组
  8. group <- rep(1,dim(data)[1])
  9. head(group)
  10. for (i in 2:dim(data)[1]) {
  11. d <- as.numeric(difftime(data$realtime[i],
  12. data$realtime[i-1],
  13. units='mins'))
  14. if ( d < 5) {
  15. group[i] <- group[i-1]
  16. #小于5分钟的,我们认为是同一组对话
  17. }
  18. else {group[i] <- group[i-1]+1}
  19. #大于5分钟,就是一组新的对话的看,所以连续对话的组数+1
  20. }
  21. head(group,20)
  22. tcon <- as.data.frame(table(group))
  23. head(tcon)
  24. p4 <- ggplot(data = tcon,
  25. mapping = aes(x =group,y=Freq)
  26. )
  27. p4 +geom_bar(aes(x = group, y = Freq,
  28. col='red',alpha=0.5),
  29. show.legend=F,
  30. stat="identity")+
  31. xlab('连续聊天次数')+ylab(NULL)+
  32. theme(axis.text.x = element_blank(),
  33. axis.ticks.x = element_blank())
1 为什么需要as.data.frame(table(group))呢?转化为数据框很有必要,虽然你查看class的时候,看到table函数的返回结果是一个数据框,但实际取数据的时候一些扯淡的问题就开始出现啦~
一梦江湖费六年——QQ群聊天分析第17张
实际上,上述图形是毫无意义的。正确的做法是,选出一条内的聊天消息数大于均值的那些天,然后计算那些天的连续聊天组数
一天才多少分钟?60*24=1440分钟,每5分钟为一组的话,有288组,如果考虑到有效聊天时间集中在8点-234点,那么实际上最大值只有192组。
连续聊天组数普遍较低,说明大家不会总是聊着聊着人就不见了,有些人呐,“吟安一个字,捻断数茎须”,回消息有一搭没一搭,也的确令人惊奇。

  • 四、聊天微观(3)——幸存者偏差和沉默的羔羊
 如果我告诉你整个群有近1800个成员,你是什么感受呢?茫茫人海,我们都是成群的羔羊,既不会相遇,还保持着沉默。
哪些人最喜欢聊天?取出前20名
  1. #活跃用户前20名
  2. #每个用户的说话频次(取前20名)
  3. mydf <- as.data.frame(table(data$Name))
  4. #前20名活跃的群成员
  5. names(mydf)[1]="Name"
  6. top20 <- mydf[order(mydf$Freq, decreasing = TRUE),][1:20,]
  7. #绘制没有排序后的条形图
  8. p5 <- ggplot(data = top20,
  9. mapping = aes(x = Name,
  10. weight = Freq,
  11. fill = Name)) +
  12. xlab(NULL) + ylab(NULL)
  13. p5 <- p5 +geom_bar(aes(x = reorder(Name, Freq),
  14. y = Freq, fill = Name,
  15. alpha=0.5),show.legend=F,
  16. stat="identity") +
  17. coord_flip()+
  18. theme_solarized_2()
  19. p5
出图如下:
一梦江湖费六年——QQ群聊天分析第18张
(抱歉,并未给大家打上马赛克)
那么这些前20又喜欢在什么时候发言呢?
一梦江湖费六年——QQ群聊天分析第19张
 事实上,他们的发言量占据了52.13%
  1. > head(sum(top20$Freq))/sum(all$Freq)
  2. [1] 0.5213432
所以说互联网上的的幸存者偏差严重吧?占据了一半的数量。
我们注意到系统消息占据第四,所以刨掉系统消息
  1. > head(sum(top20$Freq[-4]))/sum(all$Freq)
  2. [1] 0.47786
前20名仍然占据着消息流量的47.786%
我想,知乎大概也是一样的,占据言论主导权的,基本上是敢于发言,有能力输出文字和表达的人吧?何不食肉糜之类的问答屡见不鲜,所以说知乎上的收入高么?我相信,如果没有知乎,不少所谓大V他们的收入可能要下降一个档次呢。

  • 四、聊天微观(3)——英雄惜英雄,扼腕于墓道也
忆得歌翻肠断句,更惺惺言语
大V抱团,跟英雄所见略同,英雄惺惺相惜,大概是一个道理
然,庄王未绝弦,季子仍佩剑,不能墓道扼腕发其志士之悲,不过鸟兽尔
# 前10名之间的关系(毕竟人多嘴杂,咱还是少分析点)
说英雄谁是英雄,英雄惺惺相惜
前10的社交网络关系
  1. # 前10名之间的关系
  2. data$group <- group
  3. dfName <- as.data.frame(table(data$Name))
  4. #前20名活跃的群成员
  5. names(dfName)[1]="Name"
  6. top10 <- dfName[order(dfName$Freq, decreasing = TRUE),][1:10,]
  7. head(top10)
  8. class(top10$Name)
  9. library(stringr)
  10. library(plyr)
  11. library(reshape2)
  12. library(igraph)
  13. netdata <- dcast(data, Name~group, sum,
  14. value.var='group',
  15. subset=.(Name %in% as.character(top10$Name)[1:10])
  16. )
  17. #value.var=指定值是来自group
  18. #subset=.指定来自子集
  19. netdata1 <- ifelse(netdata[,-1] > 0, 1, 0)
  20. #newdata1[,-1]就是去掉了ID后的
  21. rownames(netdata1) <- netdata[,1]
  22. relmatrix <- netdata1 %*% t(netdata1)
  23. # 很容易看出哪两个人聊得最多
  24. deldiag <- relmatrix-diag(diag(relmatrix))
  25. which(deldiag==max(deldiag),arr.ind=T)
  26. # 根据关系矩阵画社交网络画
  27. g <- graph.adjacency(deldiag,weighted=T,mode='undirected')
  28. g <-simplify(g)
  29. V(g)$label<-rownames(relmatrix)
  30. V(g)$degree<- degree(g)
  31. layout1 <- layout.fruchterman.reingold(g)
  32. egam <- (log(E(g)$weight)+1) / max(log(E(g)$weight)+1)
  33. V(g)$label.color <- rgb(79,148,205, 255,max = 255) #字体的颜色
  34. V(g)$label.degree <- pi
  35. V(g)$label.dist <- 1.5
  36. V(g)$frame.color <- 'springgreen4' #圈子的颜色
  37. V(g)$shape <- 'sphere'
  38. V(g)$label.cex <- 0.7
  39. E(g)$width <- egam
  40. E(g)$color <- rgb(255, 181, 205, egam*255,max = 255)#线的颜色
  41. plot(g, layout=layout1,
  42. vertex.color= rgb(255, 181, 205, 197,max = 255))
效果如下:
一梦江湖费六年——QQ群聊天分析第20张
 


  • 五、昵称(1)——我们曾经的非主流
打开你的QQ空间/人人/豆瓣,我们发过的内容和去过的昵称,谁没有非主流过呢?
QQ群昵称的分析,分解下用户的群昵称
由于许多群会要求大家修改备注为城市,职业,这样就可以看看大家所在地和行业分布
当然,也有一些人是不改的
  1. #提取用户名部分
  2. dfall <- as.data.frame(table(data$Name))
  3. names(dfall)[1]="Name"
  4. allUserFreq<- dfall[order(dfall$Freq, decreasing = TRUE),]
  5. write.csv(allUserFreq,"Users.csv")
  6. #设计数据框
  7. dataQQ <- data.frame(user_QQ = c(),
  8. nikename = c())
  9. user_QQ <- character()
  10. nikename <- character()
  11. #提取出昵称(群昵称)
  12. pattern2 <- '\([0-9]{5,11}\)'
  13. for(i in 1:length(allUserFreq$Name)){
  14. str <- as.character(allUserFreq$Name[i])
  15. reg <- regexpr(pattern2,str)
  16. qq_begin <- reg+1
  17. qq_end <- reg+(attr(reg,'match.length')-1)-1
  18. user_QQ <- substring(str,qq_begin,qq_end)
  19. # browser()
  20. nikename <- substring(str,1,reg-1)
  21. dataQQ <- rbind(dataQQ,
  22. data.frame(QQ = user_QQ,
  23. nikename = nikename))
  24. }
  25. dataQQ
  26. write.csv(dataQQ,"QQ.csv")#保存一下
分词
  1. #分词
  2. library(Rwordseg)
  3. library(tmcn)
  4. library(tm)
  5. #写出又读入
  6. write.table(dataQQ$nikename,"QQ.txt",row.names = F)
  7. segmentCN("QQ.txt",returnType="tm")
  8. nikename_text=readLines("QQ.segment.txt",encoding = "UTF-8")
  9. word = lapply(X = nikename_text, FUN = strsplit, "\s")
  10. word1=unlist(word)
  11. #统计词频
  12. dfname=table(word1)
  13. dfname=sort(dfname,decreasing = T)
  14. head(dfname)
  15. #把词汇词频存入数据框
  16. namedf = data.frame("word" = names(dfname),
  17. "freq" = as.numeric(dfname))
  18. # 过滤掉1个字和词频小于10的记录
  19. d <- subset(namedf,
  20. nchar(as.character(namedf$word))>1 & namedf$freq >= mean(dfname))
  21. #加载包和清洗后的数据
  22. library(wordcloud2)
  23. head(d)
  24. wordcloud2(d, size = 1, shape='star',
  25. color = 'random-dark',
  26. backgroundColor = "white",
  27. fontFamily = "微软雅黑")
  28. write.csv(d,"分词1.csv")
    出图如下:
一梦江湖费六年——QQ群聊天分析第21张
        北上广深等主要城市赫然在列,其他主要省会城市也都不少。
而数据、互联网、金融这三个行业关键字也身在其中(真是到哪都能看见既然你),果然这是近两年很火爆的行业,尤其是数据,而零售、商品等行业也在列。统计、运维、DT、学生等职业信息也是一样的。
鉴于很多人的群昵称乱写,或者喜欢填一些奇怪的表情或符号,所以很可能在分词的失衡没有解析出来,变成空的,这个很难用代码去操作了,只能人为的删掉了那么几个,得到如下的excel
一梦江湖费六年——QQ群聊天分析第22张
容我偷个懒,用excel做两张图
前8个关键字就占据了一半
一梦江湖费六年——QQ群聊天分析第23张
图1
一梦江湖费六年——QQ群聊天分析第24张
图2
一梦江湖费六年——QQ群聊天分析第25张
 


  • 五、昵称(2)——所爱隔山海啊~
一望可相见,一步如重城。所爱隔山海,山海不可平
为了表示群里来自五湖四海的基友们互相之间满满的基情,我也只有这么肉麻他们了
取出里面所有的地名然后作图
一梦江湖费六年——QQ群聊天分析第26张
不行不行还是不能偷懒
一梦江湖费六年——QQ群聊天分析第27张
偷懒可以用地图慧——
:领导,您办公室的地图已经到货了,这就给您挂上
:什么?怎么少了高丽行省?
一梦江湖费六年——QQ群聊天分析第28张
我都懒得去水印! 
但是!
鉴于REmap不能识别省分和城市混排的,所以我就全部合并为省份
一梦江湖费六年——QQ群聊天分析第29张
所以我整理了下数据,将之合并为省份
  1. library(REmap)
  2. mymap <- read.csv("city.csv",header=T)
  3. head(mymap)
  4. remapC(data=mymap,title='群成员分布图',
  5. maptype = "china",color=c('#CD3333'),
  6. theme=get_theme("Bright"))
其中REmap(在github上)的安装方式为:
  1. library(devtools)
  2. install_github('lchiffon/REmap')
这样不就实现大和谐了嘛?
一梦江湖费六年——QQ群聊天分析第30张
北上广(深圳被合并在广)依然遥遥领先,当然,这仅是填写了城市的数据,并不能反映全部,感觉主要还是在高校聚集区相对容易出现从业人员集中现象,遗憾的是浙江和江苏未能扛起东部的大旗,而西部的四川遥遥领先,贵州喊了几年大数据,大概也有点从业人员?比起西部几个省也算不太打脸了。

广东省各个市的数据
  1. gd <- read.csv("guangdong.csv",header=T)
  2. remapC(data=gd,title='广州群成员分布图',
  3. maptype = "广东")
注意要在每个市后面加“”字,否则无法识别,比如说要写深圳市,而不是深圳。
我们还是搞一个美食地图吧。。。
一梦江湖费六年——QQ群聊天分析第31张
 数据如下:
一梦江湖费六年——QQ群聊天分析第32张
广州的发展水平的区域差异可见一斑,貌似广州的从业人员比深圳的还多点。
比如我还可以看看北上广深各自是那些人最活跃,选出区域明星,不过我真的没力气倒腾了。

  • 六、内容分词——爱在心口难开,你我之间隔了正无穷个表情包
       就你图多系列,你们到底有多喜欢喜欢发图和表情呢?连这群基佬们都不能例外
        看看大家都用喜欢聊些什么
  1. library(Rwordseg)
  2. library(tmcn)
  3. library(tm)
  4. #群消息分词
  5. #分词
  6. write.table(data$text,"text.txt",row.names = F)
  7. segmentCN("text.txt",returnType="tm")
  8. text1=readLines("text.segment.txt",encoding = "UTF-8")
  9. word = lapply(X = text1, FUN = strsplit, "\s")
  10. word1=unlist(word)
  11. #统计词频
  12. df=table(word1)
  13. df=sort(df,decreasing = T)
  14. # 把词汇词频存入数据框
  15. df1 = as.data.frame(df)
  16. # 转为数据框的时候中文开始抽风,也是奇怪的很(变成/u的形式)
  17. # 这种情况不定期出现,所以我干脆在这部分写了重新导入数据
  18. head(df1)
  19. #对列命名
  20. datafreq <- data.frame(word = as.character(df1$word),
  21. freq = df1$Freq,
  22. stringsAsFactors = F)

  1. #过滤掉数字或者3个以下的字母
  2. a <- integer()
  3. for(i in 1:dim(datafreq)[1]){
  4.   dreg <- regexpr('^[0-9]{1,15}$|^[a-zA-Z]{1,3}$',
  5.                   datafreq[i,1])
  6.   if(dreg == 1)
  7.     a <- c(a,i)
  8. }
  9. datafreq <- datafreq[-a,]
  10. #去掉频率低于均值的
  11. mean(datafreq$freq)
  12. datafreq <- datafreq[datafreq$freq >= mean(datafreq$freq),]

  1. wordcloud2(datafreq, size = 1, shape='star',
  2.            color = 'random-dark',
  3.            backgroundColor = "white",
  4.            fontFamily = "微软雅黑")
一梦江湖费六年——QQ群聊天分析第33张
        看到了吧?这么多表情和图片,这么多单个的无意义的词,我们还是在后面删掉好了
        先删除最多的那四个单个汉字
  1. head(datafreq)
  2. #删去1:4这几个单词的汉字
  3. wordcloud2(datafreq[-seq(1:4),], size = 1, shape='star',
  4.            color = 'skyblue',
  5.            backgroundColor = "white",
  6.            fontFamily = "微软雅黑")

一梦江湖费六年——QQ群聊天分析第34张
 表情跟图片真是派大星的两个大盾牌啊....该配合我演出的演出的时候你视而不见,绵宝宝,我是你的派大星...
注意,skyblue是可以的,但是skyblue1....后面加上数据就不行啦

#删掉单个汉字
  1. aa <- integer()
  2. for(i in 1:dim(datafreq)[1]){
  3.   dreg <- regexpr('^[u4e00-u9fa5]{1}$',
  4.                   datafreq[i,1])
  5.   if(dreg == 1)
  6.     aa <- c(aa,i)
  7. }
  8. datafreq2 <- datafreq[-aa,]
  9. wordcloud2(datafreq2, size = 1, shape='star',
  10.            color = 'yellow',
  11.            backgroundColor = "white",
  12.            fontFamily = "微软雅黑")
  13. head(datafreq2)
一梦江湖费六年——QQ群聊天分析第35张
派大星应该是这个颜色才对(在太阳下脱水晒晒之后)那么,你是玩游戏输了贴纸条变僵尸? 

#去掉图片和表情
  1. a <- datafreq2[c(-1,-2),]
  2. a
  3. wordcloud2(a, size = 1, shape='star',
  4.            color = 'random-dark',
  5.            backgroundColor = "white",
  6.            fontFamily = "微软雅黑")
一梦江湖费六年——QQ群聊天分析第36张
哦,这是基佬们的表白墙啊~
        “数据”占据最大头,可见聊天内容还是正常的,处在业务范围呢,
        当然,"签到"这种无聊的行为占据大头,“问题”关键字还没法超过他,也是有点无语,           毕竟大家的目的是交流学习,而不是灌水。
        “加入”说明信任还是不少的,
        excel,spss的关键字也出现了,其他一些专业词汇也不少,大家自己看吧
        当然,有趣的是,“工资”也出现了,说明大家还是会在群里吐槽下工资水平的。
        “简单”这两个字出现的频率还不算太高,不然的话是很糟糕的,个人觉得,有问题就回            答问题不要装逼嘲笑新手,


#以下部分纯属娱乐。(感觉不准确)
#图标放在D:RSetsR-3.3.2librarywordcloud2examples
安卓图标
一梦江湖费六年——QQ群聊天分析第37张
360图标
一梦江湖费六年——QQ群聊天分析第38张
QQ图标
一梦江湖费六年——QQ群聊天分析第39张
最后要感谢这么多人提供这么多资料和工具,帮助我完成这篇消遣之作
所有代码:
    一梦江湖费六年——QQ群聊天分析第40张        
主要参考:
   http://www.cnblogs.com/NaughtyBaby/p/5497714.html
   https://zhuanlan.zhihu.com/p/25171755




null


附件列表

    免责声明:文章转载自《一梦江湖费六年——QQ群聊天分析》仅用于学习参考。如对内容有疑问,请及时联系本站处理。

    上篇Java 实现二叉树的构建以及3种遍历方法9个小技巧让你的 if else看起来更优雅下篇

    宿迁高防,2C2G15M,22元/月;香港BGP,2C5G5M,25元/月 雨云优惠码:MjYwNzM=

    相关文章

    联通积分兑换的Q币怎么兑换到QQ上

    可登录联通积分商城http://jf.10010.com  查询和兑换Q币, 1,通过联通积分商城自主兑换,提交订单扣除积分成功后,10010端口将自动为您下发验证码短信。 2,在有效期内登陆Q币充值中心http://n.bjtrm.com:7890/trmoto_ms/p.jsp  完成充值。 3,填写验证码、需要充值的QQ号码,点击确认。 4、充值成功...

    怎样在 Firefox 中打开 QQ 链接和邮箱

    转贴自  猫言猫语 虽然现在很喜欢用小巧、简洁的 Gtalk,但是 QQ 的群众基础还是太深厚了,几乎所有的同学朋友都是人手至少一个,而且 QQ 还有一些 Gtalk 没有的功能(发图、传文件等),所以 QQ 目前还是我用的最多的即时通讯软件。 如果你也在用 QQ ,而且也是 Firefox 的忠实用户的话,你有没有遇到过这样的问题:朋友通过 QQ 发来的...

    微信退款通知信息解密

    在最近的开发需求中,有一个需求,就是需要把微信退款通知记录在数据库中,原本以为是一个简单的需求,但是微信文档的坑,是你不能理解的。 在微信退款通知返回的字段中有一个加密信息字段req_info。这个加密字段需要三个解密步骤才能最终获取到信息。由此可见,这个字段是多么的重要。以下是微信官方文档给出的解密步骤: 解密步骤如下: (1)对加密串A做base64解...

    .NET Core+QQ第三方授权登录

    安装包 dotnet add package AspNet.Security.OAuth.QQ 接上文GitHub第三方授权登录 申请过程不介绍了,申请者资料,个人也是可以申请成功的。 这时候有二个参数就是clientid clientsecret APP ID:xxxx APP Key:xxxxxx 其中平台信息,这个申请审核通过后,不要修改,千万不...

    开源加密解密库比较

    第一个:OpenSSLC语言实现,整个软件包大概可以分成三个主要的功能部分:密码算法库、SSL协议库以及应用程序。OpenSSL的目录结构自然也是围绕这三个功能部分进行规划的。   作为一个基于密码学的安全开发包,OpenSSL提供的功能相当强大和全面,囊括了主要的密码算法、常用的密钥和证书封装管理功能以及SSL协议,并提供了丰富的应用程序供测试或其它目的...

    很有用的系统命令和一些技巧(只列出扩展名为msc和cpl的)

    在开始--运行输入命令即可运行相关的命令 下面目前在windows server2003测试过,其它操作系统未测试 azman.msc    授权管理器certmgr.msc  证书ciadv.msc    索引服务compmgmt.msc 计算机管理dcpol.msc    默认域控制器安全设置devmgmt.msc  设备管理器dfrg.msc    ...