如何基于Python實現的微信好友數據分析

小編給大家分享一下如何基于Python實現的微信好友數據分析，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

數據分析

分析微信好友數據的前提是獲得好友信息，通過使用 itchat 這個模塊，這一切會變得非常簡單，我們通過下面兩行代碼就可以實現：

itchat.auto_login(hotReload = True) 
friends = itchat.get_friends(update = True)

同平時登錄網頁版微信一樣，我們使用手機掃描二維碼就可以登錄，這里返回的friends對象是一個集合，第一個元素是當前用戶。所以，在下面的數據分析流程中，我們始終取friends[1:]作為原始輸入數據，集合中的每一個元素都是一個字典結構，以我本人為例，可以注意到這里有Sex、City、Province、HeadImgUrl、Signature這四個字段，我們下面的分析就從這四個字段入手：

好友性別

分析好友性別，我們首先要獲得所有好友的性別信息，這里我們將每一個好友信息的Sex字段提取出來，然后分別統計出Male、Female和Unkonw的數目，我們將這三個數值組裝到一個列表中，即可使用matplotlib模塊繪制出餅圖來，其代碼實現如下：

def analyseSex(firends): 
  sexs = list(map(lambda x:x['Sex'],friends[1:])) 
 counts = list(map(lambda x:x[1],Counter(sexs).items())) 
 labels = ['Unknow','Male','Female'] 
 colors = ['red','yellowgreen','lightskyblue'] 
 plt.figure(figsize=(8,5), dpi=80) 
 plt.axes(aspect=1) 
 plt.pie(counts, #性別統計結果 
   labels=labels, #性別展示標簽 
   colors=colors, #餅圖區域配色 
   labeldistance = 1.1, #標簽距離圓點距離 
   autopct = '%3.1f%%', #餅圖區域文本格式 
   shadow = False, #餅圖是否顯示陰影 
   startangle = 90, #餅圖起始角度 
   pctdistance = 0.6 #餅圖區域文本距離圓點距離 
 ) 
 plt.legend(loc='upper right',) 
 plt.title(u'%s的微信好友性別組成' % friends[0]['NickName']) 
 plt.show()

這里簡單解釋下這段代碼，微信中性別字段的取值有Unkonw、Male和Female三種，其對應的數值分別為0、1、2。通過Collection模塊中的Counter()對這三種不同的取值進行統計，其items()方法返回的是一個元組的集合，該元組的第一維元素表示鍵，即0、1、2，該元組的第二維元素表示數目，且該元組的集合是排序過的，即其鍵按照0、1、2 的順序排列，所以通過map()方法就可以得到這三種不同取值的數目，我們將其傳遞給matplotlib繪制即可，這三種不同取值各自所占的百分比由matplotlib計算得出。下圖是matplotlib繪制的好友性別分布圖：

看到這個結果，我一點都不覺得意外，男女比例嚴重失衡，這雖然可以解釋我單身的原因，可我不覺得通過調整男女比例就能解決問題，好多人認為自己單身是因為社交圈子狹小，那么是不是擴展了社交圈子就能擺脫單身呢？我覺得或許這樣會增加脫單的概率，可幸運之神應該不會眷顧我，因為我的好運氣早在我24歲以前就消耗完啦。在知乎上有一個熱門的話題：現在的男性是否普遍不再對女性展開追求了？，其實哪里會有人喜歡孤獨呢？無非是怕一次又一次的失望罷了。有的人并不是我的花兒，我只是恰好途徑了她的綻放。曾經有人說我是一個多情的人，可她永遠不會知道，我做出的每一個決定都熾熱而悲壯。所謂”慧極必傷，情深不壽；謙謙君子，溫潤如玉”，世人苦五毒者大抵如此。

好友頭像

分析好友頭像，從兩個方面來分析，第一，在這些好友頭像中，使用人臉頭像的好友比重有多大；第二，從這些好友頭像中，可以提取出哪些有價值的關鍵字。這里需要根據HeadImgUrl字段下載頭像到本地，然后通過騰訊優圖提供的人臉識別相關的API接口，檢測頭像圖片中是否存在人臉以及提取圖片中的標簽。其中，前者是分類匯總，我們使用餅圖來呈現結果；后者是對文本進行分析，我們使用詞云來呈現結果。關鍵代碼如下 所示：

def analyseHeadImage(frineds): 
 # Init Path 
 basePath = os.path.abspath('.') 
 baseFolder = basePath + '\\HeadImages\\' 
 if(os.path.exists(baseFolder) == False): 
  os.makedirs(baseFolder)  
 # Analyse Images 
 faceApi = FaceAPI() 
 use_face = 0 
 not_use_face = 0 
 image_tags = '' 
 for index in range(1,len(friends)): 
  friend = friends[index] 
  # Save HeadImages 
  imgFile = baseFolder + '\\Image%s.jpg' % str(index) 
  imgData = itchat.get_head_img(userName = friend['UserName']) 
  if(os.path.exists(imgFile) == False): 
   with open(imgFile,'wb') as file: 
    file.write(imgData)   
  # Detect Faces 
  time.sleep(1) 
  result = faceApi.detectFace(imgFile) 
  if result == True: 
   use_face += 1 
  else: 
   not_use_face += 1   
  # Extract Tags 
  result = faceApi.extractTags(imgFile) 
  image_tags += ','.join(list(map(lambda x:x['tag_name'],result)))  
 labels = [u'使用人臉頭像',u'不使用人臉頭像'] 
 counts = [use_face,not_use_face] 
 colors = ['red','yellowgreen','lightskyblue'] 
 plt.figure(figsize=(8,5), dpi=80) 
 plt.axes(aspect=1) 
 plt.pie(counts, #性別統計結果 
   labels=labels, #性別展示標簽 
   colors=colors, #餅圖區域配色 
   labeldistance = 1.1, #標簽距離圓點距離 
   autopct = '%3.1f%%', #餅圖區域文本格式 
   shadow = False, #餅圖是否顯示陰影 
   startangle = 90, #餅圖起始角度 
   pctdistance = 0.6 #餅圖區域文本距離圓點距離 
 ) 
 plt.legend(loc='upper right',) 
 plt.title(u'%s的微信好友使用人臉頭像情況' % friends[0]['NickName']) 
 plt.show()  
 image_tags = image_tags.encode('iso8859-1').decode('utf-8') 
 back_coloring = np.array(Image.open('face.jpg')) 
 wordcloud = WordCloud( 
  font_path='simfang.ttf', 
  background_color="white", 
  max_words=1200, 
  mask=back_coloring, 
  max_font_size=75, 
  random_state=45, 
  width=800, 
  height=480, 
  margin=15 
 )  
 wordcloud.generate(image_tags) 
 plt.imshow(wordcloud) 
 plt.axis("off") 
 plt.show()

這里我們會在當前目錄新建一個HeadImages目錄，用以存儲所有好友的頭像，然后我們這里會用到一個名為FaceApi類，這個類由騰訊優圖的SDK封裝而來，這里分別調用了人臉檢測和圖像標簽識別兩個API接口，前者會統計”使用人臉頭像”和”不使用人臉頭像”的好友各自的數目，后者會累加每個頭像中提取出來的標簽。其分析結果如下圖所示：

可以注意到，在所有微信好友中，約有接近1/4的微信好友使用了人臉頭像， 而有接近3/4的微信好友沒有人臉頭像，這說明在所有微信好友中對”顏值 “有自信的人，僅僅占到好友總數的25%，或者說75%的微信好友行事風格偏低調為主，不喜歡用人臉頭像做微信頭像。這是否說明”好看的皮囊”并非是千篇一律，長得好看的人實在是少數中的少數。所以，當女生的妝容越來越向著”韓式半永久粗平眉”、”瓜子臉”和”大紅唇”靠攏的時候，當男生的服飾越來越向著”大背頭”、”高領毛衣”和”長款大衣”靠攏的時候，我們能不能真正得個性一次。生命中有太多被世俗綁架著的事情，既要和別人不一樣 ，同時還要和大多數人一樣，這是人生在世的無可奈何。考慮到騰訊優圖并不能真正得識別”人臉”，我們這里對好友頭像中的標簽再次進行提取，來幫助我們了解微信好友的頭像中有哪些 關鍵詞，其分析結果如圖所示：

通過詞云，我們可以發現：在微信好友中的簽名詞云中，出現頻率相對較高的關鍵字有：女孩、樹木、房屋、文本、截圖、卡通、合影、天空、大海。這說明在我的微信好友中，好友選擇的微信頭像主要有日常、旅游、風景、截圖四個來源，好友選擇的微信頭像中風格以卡通為主，好友選擇的微信頭像中常見的要素有天空、大海、房屋、樹木。通過觀察所有好友頭像，我發現在我的微信好友中，使用個人照片作為微信頭像的有15人，使用網絡圖片作為微信頭像的有53人，使用動漫圖片作為微信頭像的有25人，使用合照圖片作為微信頭像的有3人，使用孩童照片作為微信頭像的有5人，使用風景圖片作為微信頭像的有13人，使用女孩照片作為微信頭像的有18人，基本符合圖像標簽提取的分析結果。

好友簽名

分析好友簽名，簽名是好友信息中最為豐富的文本信息，按照人類慣用的”貼標簽”的方法論，簽名可以分析出某一個人在某一段時間里狀態，就像人開心了會笑、哀傷了會哭，哭和笑兩種標簽，分別表明了人開心和哀傷的狀態。這里我們對簽名做兩種處理，第一種是使用用結巴分詞進行分詞后生成詞云，目的是了解好友簽名中的關鍵字有哪些，哪一個關鍵字出現的頻率相對較高；第二種是使用SnowNLP分析好友簽名中的感情傾向，即好友簽名整體上是表現為正面的、負面的還是中立的，各自的比重是多少。這里提取Signature字段即可，其核心代碼如下：

def analyseSignature(friends): 
 signatures = '' 
 emotions = [] 
 pattern = re.compile("1f\d.+") 
 for friend in friends: 
  signature = friend['Signature'] 
  if(signature != None): 
   signature = signature.strip().replace('span', '').replace('class', '').replace('emoji', '') 
   signature = re.sub(r'1f(\d.+)','',signature) 
   if(len(signature)>0): 
    nlp = SnowNLP(signature) 
    emotions.append(nlp.sentiments) 
    signatures += ' '.join(jieba.analyse.extract_tags(signature,5)) 
 with open('signatures.txt','wt',encoding='utf-8') as file: 
   file.write(signatures) 
 # Sinature WordCloud 
 back_coloring = np.array(Image.open('flower.jpg')) 
 wordcloud = WordCloud( 
  font_path='simfang.ttf', 
  background_color="white", 
  max_words=1200, 
  mask=back_coloring, 
  max_font_size=75, 
  random_state=45, 
  width=960, 
  height=720, 
  margin=15 
 ) 
 wordcloud.generate(signatures) 
 plt.imshow(wordcloud) 
 plt.axis("off") 
 plt.show() 
 wordcloud.to_file('signatures.jpg') 
 # Signature Emotional Judgment 
 count_good = len(list(filter(lambda x:x>0.66,emotions))) 
 count_normal = len(list(filter(lambda x:x>=0.33 and x<=0.66,emotions))) 
 count_bad = len(list(filter(lambda x:x<0.33,emotions))) 
 labels = [u'負面消極',u'中性',u'正面積極'] 
 values = (count_bad,count_normal,count_good) 
 plt.rcParams['font.sans-serif'] = ['simHei'] 
 plt.rcParams['axes.unicode_minus'] = False 
 plt.xlabel(u'情感判斷') 
 plt.ylabel(u'頻數') 
 plt.xticks(range(3),labels) 
 plt.legend(loc='upper right',) 
 plt.bar(range(3), values, color = 'rgb') 
 plt.title(u'%s的微信好友簽名信息情感分析' % friends[0]['NickName']) 
 plt.show()

通過詞云，我們可以發現：在微信好友的簽名信息中，出現頻率相對較高的關鍵詞有：努力、長大、美好、快樂、生活、幸福、人生、遠方、時光、散步。果然我的微信好友都是溫暖、正直的好青年啊！ :smile:其實，簽名這個設定，從某種程度上是在反映人的一種心態，人在年輕時不免”為賦新詞強說愁”，等到你真正到了這個精神境界，突然發現年輕時圖樣圖森破，或許這就是我們不愿意讓別人了解過去的原因，因為伴隨著人的成長，某一種瞬間的狀態簡直不忍直視，QQ空間陪伴了我們這代人的整個青春，令人印象深刻的”那年今日”功能，有時讓我們感到回憶的溫暖，有時讓我們感到歲月的蕭殺，”當時只道是尋常”的物是人非，”回首向來蕭瑟處”的淡定從容，”今夕復何夕”的失落惆悵……都在這一行行簽名里留下深深淺淺的印記。在知乎上有關于簽名的話題討論，對此感興趣的朋友不妨找時間看看。:smile:

通過柱狀圖，我們可以發現：在微信好友的簽名信息中，正面積極的情感判斷約占到55.56%，中立的情感判斷約占到32.10%，負面消極的情感判斷約占到12.35%。這個結果和我們通過詞云展示的結果基本吻合，這說明在微信好友的簽名信息中，約有87.66%的簽名信息，傳達出來都是一種積極向上的態度。

朋友圈中基本上有兩類用戶，第一類用戶使用朋友圈記錄自己的生活，第二類用戶使用朋友圈輸出自己的觀點。顯然，對于第二類用戶，它并不介意別人了解它的過去，它更在乎它從始至終輸出的觀點是否一致。所以，不管朋友圈里別人在或曬美食、或曬旅游、或秀恩愛、或曬寶寶、或煲雞湯等等，在我看來這都是一種生活方式，精神層次和物質層次比你高的人群，覺得你朋友圈里的內容”無趣”，這是符合人類一貫的認知方式的。

在大多數情況下，反而是那些和你層次差不多的人群，對不熟悉的人或者事物妄加判斷，如果你不喜歡我朋友圈里的內容，請直接屏蔽我就好，因為這樣我們還可以做朋友；如果你因為喜歡A而在我這里和我說B不好，這就真的是三觀不合啦。我相信沒有完全興趣匹配的兩個人，即使是男女朋友或者情侶之間，總之人與人相處嘛，真誠和互相尊重是基本要求。

好友位置

分析好友位置，主要通過提取Province和City這兩個字段。Python中的地圖可視化主要通過Basemap模塊，這個模塊需要從國外網站下載地圖信息，使用起來非常的不便。百度的ECharts在前端使用的比較多，雖然社區里提供了pyecharts項目，可我注意到因為政策的改變，目前Echarts不再支持導出地圖的功能，所以地圖的定制方面目前依然是一個問題，主流的技術方案是配置全國各省市的JSON數據，這里博主使用的是BDP個人版，這是一個零編程的方案，我們通過Python導出一個CSV文件，然后將其上傳到BDP中，通過簡單拖拽就可以制作可視化地圖，簡直不能再簡單，這里我們僅僅展示生成CSV部分的代碼：

def analyseLocation(friends): 
 headers = ['NickName','Province','City'] 
 with open('location.csv','w',encoding='utf-8',newline='',) as csvFile: 
  writer = csv.DictWriter(csvFile, headers) 
  writer.writeheader() 
  for friend in friends[1:]: 
   row = {} 
   row['NickName'] = friend['NickName'] 
   row['Province'] = friend['Province'] 
   row['City'] = friend['City'] 
   writer.writerow(row)

下圖是BDP中生成的微信好友地理分布圖，可以發現：我的微信好友主要集中在寧夏和陜西兩個省份。數字時代的神經牽動著每一個社交關系鏈的人，我們想要竭力去保護的那點隱私，在這些數據中一點點地折射出來。人類或許可以不斷地偽裝自己，可這些從數據背后抽離出來的規律和聯系不會欺騙人類。數學曾經被人稱為最沒有用的學科，因為生活中并不需要神圣而純粹的計算，在不同的學科知識里，經驗公式永遠比理論公式更為常用。可是此時此刻，你看，這世界就像一只滴滴答答轉動著的時鐘，每一分每一秒都是嚴絲合縫的。

以上是“如何基于Python實現的微信好友數據分析”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！