R语言分析QQ聊天记录
首先来说一下我们会用到的知识：
（1）正则表达式
（2）中文分词
（3）词频统计
（4）文本可视化
（5）ggplot2绘图
如果你对这几地方有不懂得地方可以在文末根据 推荐阅读 点击查看相关文章。
一.数据处理
首先我们要讲QQ聊天记录导出成txt文件，至于怎么导，我相信大家都会，不会自行百度。导出来之后我们打开文件看看。
首先读入数据
root<-“C:/Users/henry wang/Documents/”file<-paste(root,”18考研备战群.txt”,sep=””)#读取数据file.data<-scan(file,what = “”,sep=”n”,
encoding = “UTF-8”)
通过head(file.data)查看数据如下，可以看到前5行都是一些没有的信息，我们需要删掉。
file.data<-file.data[-1:-5]#删除文件开头的说明内容
现在我们要通过正则表达式提取聊天记录里面的时间，用户，聊天消息。
for(i in 1:length(file.data)){ reglog <- regexpr(‘
[0-9]{4}-[0-9]{2}-[0-9]{2} [0-9]+:[0-9]+:[0-9]+’,
file.data[i]) if(reglog[1]==1) { time[i] <- substr(file.data[i],1,19) user[i] <- substr(file.data[i],21,nchar(file.data[i])) } else { message[i] <- file.data[i] }}
数据框进行合并。
#message第一行na，所以不读如第一行data<- data.frame(
time=time,user=user,message=message[-1]
)head(data)
我们可以看到数据框中有na存在，所以接下来我们要删掉这些行。
for(i in 1:dim(data)[1]) if(is.na(data[i,1])) { if(is.na(data[i,2])) { if(is.na(data[i,3])) { data<- data[-i,] } } }head(data)#查看删掉NA之后的数据
现在我们数据处理基本完成。
二. 分析讨论话题
library(rJava)library(Rwordseg)library(dplyr)text<-as.character(data$message)text<-enc2utf8(text) #转utf-8text<-text[Encoding(text)!=’unknown’]#删除无法识别的字符#下面这几个词在分词是会被分开insertWords(c(“何凯文”,”泪奔”,”卖萌”,”考研”),save=TRUE) word.message<-segmentCN(text)#分词#删除停用词stop_words=readLines(‘停词.txt’)target_words <- unlist(word.message)seg_word=target_words[
which(is.element(target_words,stop_words)==FALSE)
]#分词结束，现在开始统计词频p=as.data.frame(table(unlist(seg_word)))%>%
arrange(desc(Freq))head(p)library(wordcloud2)wordcloud2(p)
为什么会有一个飘字。打开聊天记录我们会发现，有一个叫天天考研的管理员人用这个在刷屏。
那也许就有人会有疑问，那为什么没有过字，那是因为我们的停用词中有“过”，所以在删除停用词的时候就给删了。因此我们需要要把“飘”字删除，然后重新绘制。
seg_word=gsub(pattern=”[飘]”,””,seg_word); q=as.data.frame(table(unlist(seg_word)))%>%
arrange(desc(Freq))wordcloud2(q)
看来图片和表情才是大家聊天的主要方式，怪不得表情包那么火，有人要做表情包可以拉我一块做（偷笑）。
三. 讨论时间点
现在，我们来一起讨论在这个群里大家一般在几点比较活跃。直接给出代码。
user.time<-data$timeuser.time<-as.character(user.time)user.time.h<-c()for(i in 1:length(user.time)){ user.time.h[i]<-substr(user.time[i],12,19)}
#下面这句是提取时分秒user.time.h<- as.POSIXct(user.time.h,format=”%H:%M:%S”) hour <- format(user.time.h,”%H”) #统计出小时发言hour <- as.data.frame(table(hour)) library(ggplot2)ggplot(data=hour,aes(x=hour,y=Freq,group=1))+
geom_bar(stat = ‘identity’)+
geom_line(color=”red”);#折线图和条形图叠加
在这里需要说明几点，如果上面substr(user.time[i],12,19)写成substr(user.time[i],12,13)在后面会出错的，因为当时间在10点到23点之间没错，但如果是0点到9点，它也会把后面的那个冒号读进去。
结果如下图：
看来大家一般在11点下午2点和晚上8点左右比较活跃。11点左右一般是快要下课了，2点左右上快要上课了，晚上8点我估计是刚刚做到图书馆准备复习吧。这些还是比较大学生的习惯。
三.分析谁是话痨
一般在任何QQ群或者讨论组里面都有几个特别活跃的人家，现在我们就来分析一下。
#统计发言频率user.n<-as.data.frame(table(user))user.n.20<-user.n[order(user.n[,2],decreasing=T),]user.n.20<-user.n.20[1:20,]ggplot(data=user.n.20,aes(x=user,y=Freq))+ geom_bar(stat=’identity’)+coord_flip()#coord_flip()的作用就是讲条形图这些这样90度的旋转。结果这这样的：
由此可知，测控技术与仪器-六花这个人可真是话痨啊。
注：由于隐私问题，所有QQ号部分都已打码
转载请注明：数据分析 » R语言分析QQ聊天记录_R语言
