基于R语言利用QQ群进行数据挖掘案例整理

利用QQ群进行数据挖掘案例，数据源来源于2016年12-2017年大致一个月的QQ群基本数据，通过对聊天内容的分析，了解QQ聊天群资料了解时间，人群以及关键词，并构建相应图表、云图等，下图为本人所在提取的QQ群：

以下是R代码部分：

file.data<-scan("C:/Users/admin/Desktop/数据挖掘机器学习R-Hive.txt",what="",sep="\n",encoding="UTF-8")

#数据清洗

clean<-function(file.data){

data<-data.frame(user.name=c(),time=c(),text=c())

user.name=c();time=c();text=c();

for(i in 6:length(file.data))

{

reg.time<-regexpr("[0-9]{4}-[0-9]{2}-[0-9]{2}[0-9]+:[0-9]+:[0-9]+",file.data[i])

if(reg.time==1){#该行取到了时间信息

data<-rbind(data,data.frame(user.name=user.name,time=time,text=text))

text=c("1")

begin<-reg.time

end<-reg.time+attr(reg.time,"match.length")-1

time=substr(file.data[i],begin,end)

begin=reg.time+attr(reg.time,"match.length")+1

end<-nchar(file.data[i])

user.name<-substr(file.data[i],begin,end)#读取用户名信息

}

else{text=paste(text,file.data[i])}

}

return(data)}

data<-clean(file.data)#数据结构化

#活跃度计算

d1=table(data[,1])>d = data.frame(word = names(d1),freq = d1,stringsAsFactors = F)  ;>d=d[order(d[,3],decreasing=T),]

#由于测试群记录数据量，后期效果不是很明显。这也是大数据火的原因吧？

>dim(d1)[1] 29>length(data[,1])[1] 164#转换数据类型data$name<-as.character(data$user.name)data$text<-as.character(data$text)data$datatime<-as.POSIXlt(data$time)#整理账期的年、月、日、时、分、秒部分

> data <- transform(data,

+                  year = datatime$year+1900,

+                  month = datatime$mon+1,

+                  day = datatime$mday,

+                  hour = datatime$hour,

+                  min = datatime$min,

+                  sec = datatime$sec)

>

> d1=table(data[,1])

> d = data.frame(word = names(d1),freq =d1,stringsAsFactors = F)   ;

> d=d[order(d[,3],decreasing=T),]

> head(d)

# 活跃度统计

#去掉停用词

mixseg = worker()

textt=paste(as.character(data[,3]),sep="",collapse ="")

textt<-mixseg<=textt

t=unlist(textt)

cnword<-read.csv("C:/Users/admin/Desktop/几个停用词.txt",header=F,stringsAsFactors=F)

cnword<-as.vector(cnword[1:dim(cnword)[1],])#需要为向量格式

t=t[!t%in%cnword]#去停用词

t1=table( t )

plot（t1）  初步查看分词不是很理想，继续调整

> d1=t1

> d =data.frame(word = names(d1),freq = d1,stringsAsFactors = F)   ;

>d=d[order(d[,3],decreasing=T),]

>d=d[nchar(as.character(d$word))>1,]

>write.table(d,"C:/Users/admin/Desktop/几个停用词.txt聊天内容词频排名.csv",sep=",",row.names = F)

t1=table( t  )

>t1=t1[!names(t1)%in%c("男神","女神","你懂的")]#去没有意义的词

> library(Rwordseg)

t1=t1[nchar(as.character(names(t1)))==2]

plot(t1,xlab="词组",ylab="词频")   #效果实例而已，好的数据会有好的效果。

---------用wordcloud进行过程-------------------------------------

#分词后的词语频率汇总

> wdfreq <- as.data.frame(table(t1))    

> head(wdfreq)

t1Freq

1 1   14

2 2    1

3 7    2

#频数排序 **

wdfreq<-rev(sort(wdfreq$Freq))

------------------------------------------------------

#使用wordcloud2构造云图

wordcloud2(t1,size=2,fontFamily='SegoeUI')

---------用wordcloud进行过程-------------------------------------

#分词后的词语频率汇总

> wdfreq <- as.data.frame(table(t1))    

> head(wdfreq)

t1Freq

1 1   14

2 2    1

3 7    2

#频数排序 **

wdfreq<-rev(sort(wdfreq$Freq))

------------------------------------------------------

#使用wordcloud2构造云图

wordcloud2(t1,size=2,fontFamily='SegoeUI')

> datax=substr(data[,2],1,10)#得到日期，不要时分秒

> a=table(datax)

> plot(a,xlab="日期",ylab="频数",main="参与聊天人数/日期")

data1=data.frame(user.name=data[,1],data=substr(data[,2],1,10),time=substr(data[,2],12,regexpr(":",data[,2])-1),text=data[,3])

#write.table(data1," C:/Users/admin/Desktop/.细分数据.csv",sep=",",row.names = F)

a=table(data1[,3])

plot(a,xlab="日期",ylab="频数",col=4,main="参与聊天人数/二十小时分布")

WORDCLOUD2常用参数：

（1）data：词云生成数据，包含具体词语以及频率；

（2）size：字体大小，默认为1，一般来说该值越小，生成的形状轮廓越明显；

（3）fontFamily：字体，如‘微软雅黑’；

（4）fontWeight：字体粗细，包含‘normal’，‘bold’以及‘600’；；

（5）color：字体颜色,可以选择‘random-dark’以及‘random-light’,其实就是颜色色系；

（6）backgroundColor：背景颜色，支持R语言中的常用颜色，如‘gray’，‘blcak’，但是还支持不了更加具体的颜色选择，如‘gray20’；

（7）minRontatin与maxRontatin：字体旋转角度范围的最小值以及最大值，选定后，字体会在该范围内随机旋转；

（8）rotationRation：字体旋转比例，如设定为1，则全部词语都会发生旋转；

（9）shape：词云形状选择，默认是‘circle’，即圆形。还可以选择‘cardioid’（苹果形或心形），‘star’（星形），‘diamond’（钻石），‘triangle-forward’（三角形），‘triangle’（三角形），‘pentagon’（五边形）；

CDA学员免费下载查看报告全文：2026全球数智化人才指数报告【CDA数据科学研究院】.pdf