用R語言分析我和男友的聊天記錄

作者：伊蓮小小小小仙女，R語言中文社區專欄作者。個人公眾號：MeMyselfandYou

這篇文章大概在好幾個月前就存在在腦海中。最開始是看了《遲到的情人節禮物：做一個與她微信聊天的詞雲吧》，覺得作者寫的很好玩，那個時候因為工作的原因剛開始學習R語言，一竅不通，我就想著那就用R學著同樣分析一遍好了，應該能收穫不少。於是，我開始分析和男友的微信聊天記錄，只不過正如原文作者所說，分析著，情人節變情人劫怎麼辦？Anyway, 今天是來交作業的。

獲取數據源

首先《遲到的情人節禮物：做一個與她微信聊天的詞雲吧》一文中的作者已經寫的非常詳細了，我也完全按照原文章中的步驟操作。不過在這裡給大家兩小提示：

1）網上有各類提取微信聊天記錄的軟體或攻略，每個mac版都試過，都不可行，最後只有iMazing可以成功提取。

原文是用Python寫，下面是我的R代碼，略有不同。本人代碼能力為0，太複雜循環演算法都寫不了，只能按照自己的思路一點點拼出來。

library(RSQLite)library(plyr)//連接SQLitle資料庫conn <- dbConnect(dbDriver("SQLite"), dbname="MM.sqlite")//設置連接函數doCountQuery <- function(conn,table){ query <- paste("SELECT COUNT(name) FROM ",table,sep ="") t <- dbGetQuery(conn,query) return(t)}table_name <- dbGetQuery(conn, "SELECT name FROM sqlite_master where type="table" and name like "Chat_%" order by name")//取出所有表名，由於不會遍歷，只能按照最笨的辦法，計算哪個表的數據量最多，即是和男盆友的聊天記錄表，如果不是和男盆友的聊天表，此方法是找不出來counts <- numeric(0)for (i in 1:length(table_name) ){ count <- doCountQuery(conn,table_name[i]) counts[i] <-count[[1]] }//計算表長table_count <- data.frame(counts)//排序，表長最大的表，即是和男朋友的聊天記錄表table_count1 <- table_count[order(table_count$counts,decreasing=TRUE),]//提取到聊天內容message <- dbGetQuery(conn, "SELECT * FROM Chat_XXXXXXXXXX ")

文本分析

拿到數據後就是進行文本分割，由於數據量實在龐大，我的電腦已經跑死好幾次。後來，在完全不懂，也不知如何求解的情況下，靠部分代碼和部分Excel互相切換，得到了想要的結果。

library(jiebaRD)library(jiebaR)library(data.table)library(stringr)cutter=worker()wechat_content =messagewechat_content <- as.character(wechat_word$V1)///由於數據量過大，不知道為什麼只用cuter無法把所有數據都遍歷到，無奈只能寫簡單的函數每一條遍歷切割cut_y <- function (y){ y=gsub("\.","",y) cutter[as.character(y)]}//遍歷切割每一條聊天內容y.out <- sapply(wechat_content,cut_y,USE.NAMES = F)//去除數字y.out<-gsub("[0-9]+?","",y.out)// 去除停止詞s <- read.csv(『stopwords.csv』)stopwords <- c(NULL)for (i in 1:length(s)){ stopwords[i] <- s[i]}y.out <- filter_segment(y.out,stopwords)//遍歷計數後再組合到一起wechat_content_whole <- as.array(0)for (i in 1:length(y.out)){ table_content <- count(y.out[[i]]) wechat_content_whole <- rbind(wechat_content_whole,table_content)}//最後計數wechat_content_whole <- count(wechat_content_whole,"x")//從大到小排列wechat_content_whole<- wechat_content_whole[order(wechat_content_whole$freq,decreasing=TRUE),]//提取前1000條做詞雲wechat_words_final <- table_content_whole_final[1:1000,]//顏色從粉到白函數clufunc <- colorRampPalette(c("pink","white"))//形成詞雲 wordcloud2(wechat_words_final, fontFamily = "HYTangTangCuTiJ", figPath = "love.jpg", size=1, color=clufunc(1000))

結果

一年零三個月

344442行

17萬+

這次的分析一共收集了一年零三個月的聊天記錄，總提取34442行數據，17萬+個分詞，下面的圖就是最後提取的前1000個高頻詞的詞雲。

在過程中也發現了一些別樣的東西：

「馬老師」的字眼反覆出現，這絕不是補習班的老師，更不是制服誘惑，馬老師，一起加油

另外，在我們的聊天內容中，最常用的十大emoji竟是它們：

點贊最多，看來我們互相很認可對方，但是生氣為啥也那麼多？

此外，我還挑出過去N次吵架的聊天記錄，做了下面的圖。情人之間的吵架大概都大同小異吧，沒有安全感，互相拒絕著對方，說著傷人的話。

後話

這個一次次丟掉又撿起來的小學習作業終於划上了一個句號。分析的過程的確痛苦，一方面要學習各種語法，另一方面，翻開聊天記錄就像扒開自己的肉一樣疼，回憶一幕幕，開心難過百感交集。這之間有自己的迷茫，有學術的無知，也有愛情的摸索，幸好，我們依舊，攜手走在一起。

這個小分析同時也是一個起點，這幾個月在R語言上收穫頗多。沒想到開始的機緣巧合燃起了對R的熱情。學習過程，不像學校里的課程授課，幾乎都是想實現一個功能，於是去查找，找到一個語法，聯繫到更多的知識，聯繫，聯繫，最後再串起來。

記得從最一開始rJava包在我的電腦上沒法安裝，在Google上翻過所有的問答，StackOverflow成了我泡得最多的網站，遠在英國的同學也幫忙解答。。。每一次反覆調代碼的時候，都是深夜凌晨，可當調好的瞬間又那麼欣喜如狂。

再回頭看，這個小作業很簡單，但是從中已經學到了R語言里幾乎所有的基礎語法，雖然中間部分的演算法還很凌亂，至少為自己感到驕傲。現在可以任意用ggplot畫一個漂亮的統計圖，而不是千篇一律的Excel。當然，如果有大神能拯救我以上雜亂的演算法，歡迎指導學習，也希望下一個學習項目能分享和發現更多有趣的東西。