用Python分析川普的推文
本文将简单介绍如何使用Python分析川普在twitter上发布的推文。
准备工作
在分析之前，需要安装好Python。如果您不太了解的话，百度一下，按步骤来就行啦！
准备好Python后，还需要安装以下几个库：
- Tweepy
- Matplotlib
- NumPy
- Pandas
把上面的库都安装好了后，就可以开始啦！
获取twitter数据
为了获取到推文，需要登录你的twitter账户并创建一个app，网址是https://apps.twitter.com/。
当你创建好了之后，可以获取到4个参数：
- Consumer Key (API Key)
- Consumer Secret (API Secret)
- Access Token
- Access Token Secret
我们将它们保存到一个名为config.py的文件中，如下所示：
CONSUMER_KEY = ''
CONSUMER_SECRET = ''
ACCESS_TOKEN = ''
ACCESS_SECRET = ''
创建这个py文件的原因是，我们可以把变量导入到notebook中使用，但又不会在代码中出现这些变量的真实值（毕竟这个比较私密嘛）。
然后，我们导入需要用到的库：
import tweepy
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
之后，我们再添加一个函数，用于通过密钥认证：
# 导入在config.py文件中填写的四个参数
from config import *
def twitter_extrctor():
auth = tweepy.OAuthHandler(CONSUMER_KEY, CONSUMER_SECRET)
auth.set_access_token(ACCESS_TOKEN, ACCESS_SECRET)
api = tweepy.API(auth, proxy='http://127.0.0.1:1080')
return api
注意，在这里使用了代理，至于原因嘛，你懂的。
推文提取
现在，我们可以使用之前定义的twitter_extrctor函数创建一个名为extractor的对象，并用Tweepy的user_timeline函数提取用户的推文。
我们自然提取的是川普(@realDonaldTrump)的推文，那就开始吧~
我们按照下面的方式提取推文
extractor = twitter_extrctor()
# 用以下方式获取推文对象列表
tweets = extractor.user_timeline(screen_name="realDonaldTrump", count=200)
print("获取到的推文数量: {}\n".format(len(tweets)))
print("最近的的5条推文:")
for tweet in tweets[:5]:
print(tweet.text + '\n')
代码运行后，可以得到类似下图所示的结果:
创建DataFrame
DataFrame可以让我们非常方便对数据进行分析。为此，需要创建一个DataFrame用于之后的分析工作，我们不妨先把每篇推文的文本内容构建成DataFrame的一列：
data = pd.DataFrame(data=[tweet.text for tweet in tweets], columns=['Tweets'])
data.head() # 查看前5条数据
结果如下：
我们提取到的推文都保存在tweets这个变量中，我们不妨看一看每个tweet包含一些什么属性和方法：
原来每个tweet中包含了很多其他信息，比如创建时间、来源等等。如果我们想获取这些信息，自然可以通过tweet的属性得到，如下所示：
print(tweets[0].id)
print(tweets[0].favorite_count)
print(tweets[0].retweet_count)
print(tweets[0].created_at)
print(tweets[0].source)
print(tweets[0].geo)
print(tweets[0].coordinates)
print(tweets[0].entities)
输出结果如下：
如之前所看到的，每条“推文”包含了很多其他信息，而不只是正文内容。我们可以按照下面的方式加到我们的DataFrame中，
data['ID'] = np.array([tweet.id for tweet in tweets])
data['Date'] = np.array([tweet.created_at for tweet in tweets])
data['Source'] = np.array([tweet.source for tweet in tweets])
data['Likes'] = np.array([tweet.favorite_count for tweet in tweets])
data['RTs'] = np.array([tweet.retweet_count for tweet in tweets])
data['Len'] = np.array([len(tweet.text) for tweet in tweets])
查看一下效果，如下图所示：
数据分析
首先，可以计算一下川普推文的平均长度
mean = np.mean(data['Len'])
print("推文的平均长度为: {}".format(mean))
结果是：
接下来，再做进一步的分析，比如喜欢数最多的推文
data.sort_values(by='Likes', ascending=False).head(1)
结果如下：
转推数最多的推文：
data.sort_values(by='RTs', ascending=False).head(1)
结果如下：
我们的DataFrame中有一列是时间，因此我们可以分析推文长度，喜欢数和转推数和时间的关系：
tlen = pd.Series(data=data['len'].values, index=data['Date'])
tfav = pd.Series(data=data['Likes'].values, index=data['Date'])
tret = pd.Series(data=data['RTs'].values, index=data['Date'])
绘制成图：
tlen.plot(figsize=(16,4), color='r');
结果如下：
我们将喜欢数和转推数的情况一起画出来
tfav.plot(figsize=(16,4), label="Likes", legend=True)
tret.plot(figsize=(16,4), label="Retweets", legend=True);
结果如下：
然后，我们可以统计一下川普每日发推的数量：
date = data['Date'].dt.date
date.value_counts().plot(figsize=(16,4), color='g')
川普的推文来源并不是相同的，不妨研究一下
for item in data['Source'].unique():
print(item)
结果如下：
正如上图所示，有3个来源。
那么具体情况是怎样呢？不妨绘制成图。
data['Source'].value_counts().plot.pie(fontsize=11, autopct='%.2f', figsize=(6, 6))
结果如下：
由此，我们可以得到一个结论：川普真的很爱发推，而且是用iPhone发！
