QQ聊天记录分析

今天我们用R语言来处理一下。我们会用到一下技术：、

（1）正则表达式

（2）词频统计

（3）文本可视化

（4）ggplot2绘图

（5）中文分词

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-8  
text<-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。

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$time  
user.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)  
}  
#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。  
user.time.h<- as.POSIXct(user.time.h,format="%H:%M:%S")   #提取时分秒  
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

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。

王亨

本博客与csdn博客 http://blog.csdn.net/wzgl__wh，微信公众号《数据志》（原：跟着菜鸟一起学R语言）同时发布。

QQ聊天记录分析

公告