R语言推特twitter转发可视化分析

简介: R语言推特twitter转发可视化分析

包含术语“生物信息学”的推文示例

第1步:加载所需的软件包



# 加载包

library(twitteR)


library(igraph)


library(stringr)

第2步:收集关于“生物信息学”的推文



# tweets


dm_tweets = searchTwitter("bioinformatics", n=500,)


#获取推文


dm_txt = sapply(dm_tweets, function(x) x$getText())

第3步:识别转发




# 正则表达式获取推文


grep("(RT|via)((?:\\b\\W*@\\w+)+)", dm_tweets,


ignore.case=TRUE, value=TRUE)


 


rt_patterns = grep("(RT|via)((?:\\b\\W*@\\w+)+)",


dm_txt, ignore.case=TRUE)




dm_txt[rt_patterns]

第4步:收集谁转发和谁发布

我们将使用这些结果来形成边缘列表以创建图形



# 创建列表存储信息


who_retweet = as.list(1:length(rt_patterns))


who_post = as.list(1:length(rt_patterns))


# 循环


for (i in 1:length(rt_patterns))


{


# 获取推文和转发


twit = dm_tweets[[rt_patterns[i]]]






poster = str_extract_all(twit$getText(),


"(RT|via)((?:\\b\\W*@\\w+)+)")


#删除 ':'


poster = gsub(":", "", unlist(poster))






who_post[[i]] = gsub("(RT @|via @)", "", poster, ignore.case=TRUE)


# 转发用户


who_retweet[[i]] = rep(twit$getScreenName(), length(poster))


}


# unlist


who_post = unlist(who_post)


who_retweet = unlist(who_retweet)

第5步:从编辑清单创建图形




# 边


retweeter_poster = cbind(who_retweet, who_post)


# 绘制图像


rt_graph = graph.edgelist(retweeter_poster)


# 得到点的名称


ver_labs = get.vertex.attribute(rt_graph, "name", index=V(rt_graph))

第6步:让我们绘制图




# 绘图布局


glay = layout.fruchterman.reingold(rt_graph)


# 绘制


par(bg="gray15", mar=c(1,1,1,1))


plot(rt_graph, layout=glay,


vertex.color="gray25",


vertex.size=10,


vertex.label=ver_labs,


vertex.label.family="sans",


vertex.shape="none",


vertex.label.color=hsv(h=0, s=0, v=.95, alpha=0.5),


vertex.label.cex=0.85,


edge.arrow.size=0.8,


edge.arrow.width=0.5,


edge.width=3,


edge.color=hsv(h=.95, s=1, v=.7, alpha=0.5))


# 添加标题


title("\nTweets with 'bioinformatics': Who retweets whom",


cex.main=1, col.main="gray95")


第7步:让我们试着给它一个更生物信息学的外观



#


par(bg="gray15", mar=c(1,1,1,1))


plot(rt_graph, layout=glay,


vertex.color=hsv(h=.35, s=1, v=.7, alpha=0.1),


vertex.frame.color=hsv(h=.35, s=1, v=.7, alpha=0.1),


vertex.size=5,


vertex.label=ver_labs,


vertex.label.family="mono",


vertex.label.color=hsv(h=0, s=0, v=.95, alpha=0.5),


vertex.label.cex=0.85,


edge.arrow.size=0.8,


edge.arrow.width=0.5,


edge.width=3,


edge.color=hsv(h=.35, s=1, v=.7, alpha=0.4))


# 添加标题


title("\nTweets with 'bioinformatics': Who retweets whom",


cex.main=1, col.main="gray95", family="mono")



相关文章
|
2月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
3月前
|
数据可视化 数据挖掘 图形学
R语言基础可视化:使用ggplot2构建精美图形的探索
【8月更文挑战第29天】 `ggplot2`是R语言中一个非常强大的图形构建工具,它基于图形语法提供了一种灵活且直观的方式来创建各种统计图形。通过掌握`ggplot2`的基本用法和美化技巧,你可以轻松地将复杂的数据转化为直观易懂的图形,从而更好地理解和展示你的数据分析结果。希望本文能够为你探索`ggplot2`的世界提供一些帮助和启发。
|
3月前
|
数据可视化 数据挖掘 数据处理
R语言高级可视化技巧:使用Plotly与Shiny制作互动图表
【8月更文挑战第30天】通过使用`plotly`和`shiny`,我们可以轻松地创建高度互动的数据可视化图表。这不仅增强了图表的表现力,还提高了用户与数据的交互性,使得数据探索变得更加直观和高效。本文仅介绍了基本的使用方法,`plotly`和`shiny`还提供了更多高级功能和自定义选项,等待你去探索和发现。希望这篇文章能帮助你掌握使用`plotly`和`shiny`制作互动图表的技巧,并在你的数据分析和可视化工作中发挥更大的作用。
|
28天前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
43 3
|
6月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
2月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
3月前
|
数据可视化
R语言可视化设计原则:打造吸引力十足的数据可视化
【8月更文挑战第30天】R语言可视化设计是一个综合性的过程,需要综合运用多个设计原则来创作出吸引力十足的作品。通过明确目标、选择合适的图表类型、合理运用色彩与视觉层次、明确标注与引导视线以及引入互动性与动态效果等原则的应用,你可以显著提升你的数据可视化作品的吸引力和实用性。希望本文能为你提供一些有益的启示和帮助。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。
|
3月前
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
3月前
|
资源调度 数据挖掘
R语言回归分析:线性回归模型的构建与评估
【8月更文挑战第31天】线性回归模型是统计分析中一种重要且实用的工具,能够帮助我们理解和预测自变量与因变量之间的线性关系。在R语言中,我们可以轻松地构建和评估线性回归模型,从而对数据背后的关系进行深入的探索和分析。
下一篇
无影云桌面