功能概要能做什么用于对微信聊天记录进行可视化。 文本分析双方聊天词汇的词云图专属词汇分析(甲常用而乙不常用的词)共用词汇分析(甲乙都喜欢用的词)时间信息分析月度消息数量变化时均消息数量变化下面这些图片都可以自动生成: 手机聊天记录同步到电脑相信大部分小伙伴们的聊天记录都在手机里面,电脑的聊天记录不全。所以先把手机的聊天记录同步到电脑上,这个小伙伴们在换手机的时候可能有过体验:微信 - 设置 - 聊天 - 聊天记录迁移与备份 - 迁移。等个几分钟吧,等待时间取决于您的聊天记录量有多大。 软件界面操作解密2:输入个人信息,获取信息。然后解密:开始启动! 然后就可以在好友中导出聊天记录了。为了减少乱码,请勿勾选图片、视频、表情包,导出的不含图片/视频/文件! 导出完毕,退出软件。在软件同一目录下会出现一个 data目录,点进去,data/聊天记录/ 下面会有个 csv 文件。大概长这个样子: 把这个csv文件拷贝到 WechatVisualization 的 input_data/ 目录里面。 注:使用软件的时候您可能会发现它也集成了导出年度报告这种分析+可视化的功能,但仔细看看它制作的年度报告就会发现太粗糙了,词云图的词语乱七八糟,没有做数据清洗。安装python第三方库使用者需要具备基本的 Python 知识(如何运行代码),电脑上已经安装了 Anaconda 或者 Python(版本>=3.7)。如果用 Anaconda,最好新建一个环境。 依次安装必要的第三方库: 安装方法不是本篇重点,基本上都是 pip install ,如果遇到问题请自行上网搜索解决方法,在此不赘。 修改配置文件配置文件为 config.yml,用记事本就可以打开了,当然用代码编辑器更好,因为可以语法高亮。 里面可以自行设置的内容有 # 输入数据 # 下面这些文件都放在input_data目录下 # 聊天记录 msg_file: msg.csv # 微信表情中英文对照表 emoji_file: emoji.txt # 停用词表,一般是没有实际意义的词,不想让被分析到的词都放在这里 stopword_file: stopwords_hit_modified.txt # 词语转换表,用于合并意义相近的词,比如把“看到”、“看见”、“看看”都转换为“看” transform_file: transformDict.txt # 用户自定义词典,用于添加大部分字典没有的、但自己觉得不能分开的词,如i人、e人、腾讯会议 user_dict_file: userDict.txt # 名字 # name1是自己的名字 name1: person 1 # name2是对方的名字 name2: person 2 # name_both是双方共同的名字 name_both: both # 局部参数 # top_k是绘制前多少个词 # 如果词或表情的出现频次低于word_min_count或emoji_min_count,就不会被分析 # figsize是绘图图窗尺寸,第一个是宽度,第二个是高度 word_specificity: top_k: 25 word_min_count: 2 figsize: - 10 - 12 emoji_specificity: emoji_min_count: 1 top_k: 5 figsize: - 10 - 12 word_commonality: top_k: 25 figsize: - 10 - 12 emoji_commonality: top_k: 5 figsize: - 12 - 12 time_analysis: figsize: - 12 - 8 运行代码可以在代码编辑器中直接运行 main.py,也可以在命令行中(先激活之前创建的环境)运行 python main.py。 成功运行应显示如下信息: 生成的图片可以在当前目录的 figs 文件夹中找到。 修改输入文件查看生成的图片,可能会有些词不是自己想要的,抑或有些自己想要的词被拆分了,此时到 input_data/ 目录下面修改各文件即可。这是一个不断迭代的过程,也就是数据清洗,比较耗时间。但没办法,如果想要质量比较高的结果,就耐心好好做一下,把数据清洗干净。 emoji.txt 是微信表情的中英文对照。微信表情在聊天记录中是以[捂脸]或者[Facepalm]的形式呈现的。我的聊天记录里面中英文的[xxx]都有,所以建立一个对照表,把所有的英文都替换成中文。如果您发现有的表情文字还是英文,可以在里面添加其中文,以便合并。 stopwords_hit_modified.txt 是停用词表。诸如“现在”、“进行”、“好像”这种(我自认为)没有实际意义的词,不应该被统计,直接把它们剔除。如果你觉得生成的结果里面有你不想看到的词,可以在这里添加。 transformDict.txt 把一些词转换成另一些词。诸如“看到”、“看见”、“看”、“看看”这些同义词可能被分别统计,完全没必要,我们可以把它们合并为一个词“看”。为此,只需在两栏中分别填写原词与转换词即可。注意,两栏用的是制表符(Tab)隔开。 usreDict 可以添加传统词典中没有的词,比如 “e人”、“i人”、“腾讯会议”等。如果不自行添加这些词,后果是它们可能会被拆成“e”、“i”、“人”、“腾讯”、“会议”这些词,这不是我们希望看到的。 报错解决ValueError: shape mismatch: objects cannot be broadcast to a single shape ValueError: The number of FixedLocator locations (5), usually from a call to set_ticks, does not match the number of ticklabels (1). 可能原因:出现上面两个报错,可能是因为相应位置的top_k或者min_count设置得太大了,而聊天记录量太少,导致没有这么多词可以绘制。解决方法:考虑到这一点,我在每一小段程序运行时都打印了允许设置的最大参数值。如果打印双横线,代表该段参数设置无误,程序运行成功。您可以检查一下自己在相应位置的参数是否设置得太大了,然后适当减小。项目流程
专属性计算专属性表明自己常说,对方不常说(反之亦然)。我对专属性的考虑是这样的,假如有三个词 A、B、C。 对于自己来说,显然A的专属性应该是最高的。B词的话,两个人虽然也是差了4次,但是基数比较大,差了4次其实无明显对比。C的话,基数太小,要说C是自己专属的词汇,可靠性不高。 共有性计算共用性表明两个人都常说某个词。所以首先排除那些有一方从来没说过的词。为此,首先对双方说过的词取交集。 现在我们还是假设有三个词 A、B、C。 B词被自己说过的次数比对方多得多,共有性显然很低。C词虽然双方说过的次数差不多,但基数太小,不能得出可靠结论。所以A词共有性最高。那怎么算呢? 共有性是专属性的反面,那我们能不能用专属性的倒数呢?我觉得不好,一方面因为分母是 ,容易出现零值;另一方面对于A词(50,50)和C词(1,1)不能做很好地区分。 为此,我使用了调和平均值: 为什么这里使用调和平均值而不使用其他平均值呢,因为调和平均值是四大平均值中最偏向较小数的那个,“共有性”就是强调两个人都要经常说,不能光一个人说另一个人不说,也即一方说得再多,对于共有性的影响也很小,比如B词(1000,1)。 用调和平均值可以确保A词具有最大的共有性。 以上就是微信聊天记录可视化工具的介绍,喜欢文章,关注小编,后期会有更多的科技资讯。 |
|
来自: 昵称35681875 > 《待分类》