作者：伊莲小小小小仙女，R语言中文社区专栏作者。个人公众号：MeMyselfandYou
这篇文章大概在好几个月前就存在在脑海中。最开始是看了《迟到的情人节礼物：做一个与她微信聊天的词云吧》，觉得作者写的很好玩，那个时候因为工作的原因刚开始学习R语言，一窍不通，我就想着那就用R学着同样分析一遍好了，应该能收获不少。于是，我开始分析和男友的微信聊天记录，只不过正如原文作者所说，分析着，情人节变情人劫怎么办？Anyway, 今天是来交作业的。
获取数据源
首先《迟到的情人节礼物：做一个与她微信聊天的词云吧》一文中的作者已经写的非常详细了，我也完全按照原文章中的步骤操作。不过在这里给大家两小提示：
1）网上有各类提取微信聊天记录的软件或攻略，每个mac版都试过，都不可行，最后只有iMazing可以成功提取。
2）iMazing, 一定要下载正版，我就是因为误下盗版，差点把手机毁掉，到现在手机感觉还是有点坏坏的（后遗症）。这个软件功能强大，用不好的话IPhone变板砖。
原文是用Python写，下面是我的R代码，略有不同。本人代码能力为0，太复杂循环算法都写不了，只能按照自己的思路一点点拼出来。
library(RSQLite)
library(plyr)
//连接SQLitle数据库
conn <- dbConnect(dbDriver("SQLite"), dbname="MM.sqlite")
//设置连接函数
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，由于不会遍历，只能按照最笨的办法，计算哪个表的数据量最多，即是和男盆友的聊天记录表，如果不是和男盆友的聊天表，此方法是找不出来
counts <- numeric(0)for (i in 1:length(table_name) ){
count <- doCountQuery(conn,table_name[i])
counts[i] <-count[[1]]
}
//计算表长
table_count <- data.frame(counts)
//排序，表长最大的表，即是和男朋友的聊天记录表
table_count1 <- table_count[order(table_count$counts,decreasing=TRUE),]
//提取到聊天内容
message <- dbGetQuery(conn, "SELECT * FROM Chat_XXXXXXXXXX ")文本分析
拿到数据后就是进行文本分割，由于数据量实在庞大，我的电脑已经跑死好几次。后来，在完全不懂，也不知如何求解的情况下，靠部分代码和部分Excel互相切换，得到了想要的结果。
library(jiebaRD)
library(jiebaR)
library(data.table)
library(stringr)
cutter=worker()
wechat_content =message
wechat_content <- as.character(wechat_word$V1)
///由于数据量过大，不知道为什么只用cuter无法把所有数据都遍历到，无奈只能写简单的函数每一条遍历切割
cut_y <- function (y){
y=gsub("\\.","",y)
cutter[as.character(y)]
}
//遍历切割每一条聊天内容
y.out <- sapply(wechat_content,cut_y,USE.NAMES = F)
//去除数字
y.out<-gsub("[0-9]+?","",y.out)
// 去除停止词
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)
//遍历计数后再组合到一起
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)
}
//最后计数
wechat_content_whole <- count(wechat_content_whole,"x")
//从大到小排列
wechat_content_whole<- wechat_content_whole[order(wechat_content_whole$freq,decreasing=TRUE),]
//提取前1000条做词云
wechat_words_final <- table_content_whole_final[1:1000,]
//颜色从粉到白函数
clufunc <- colorRampPalette(c("pink","white"))
//形成词云
wordcloud2(wechat_words_final, fontFamily = "HYTangTangCuTiJ", figPath = "love.jpg", size=1, color=clufunc(1000))结果
一年零三个月
344442行
17万+
这次的分析一共收集了一年零三个月的聊天记录，总提取34442行数据，17万+个分词，下面的图就是最后提取的前1000个高频词的词云。
在过程中也发现了一些别样的东西：
“马老师”的字眼反复出现，这绝不是补习班的老师，更不是制服诱惑，马老师，一起加油
另外，在我们的聊天内容中，最常用的十大emoji竟是它们：
点赞最多，看来我们互相很认可对方，但是生气为啥也那么多？
此外，我还挑出过去N次吵架的聊天记录，做了下面的图。情人之间的吵架大概都大同小异吧，没有安全感，互相拒绝着对方，说着伤人的话。
后话
这个一次次丢掉又捡起来的小学习作业终于划上了一个句号。分析的过程的确痛苦，一方面要学习各种语法，另一方面，翻开聊天记录就像扒开自己的肉一样疼，回忆一幕幕，开心难过百感交集。这之间有自己的迷茫，有学术的无知，也有爱情的摸索，幸好，我们依旧，携手走在一起。
这个小分析同时也是一个起点，这几个月在R语言上收获颇多。没想到开始的机缘巧合燃起了对R的热情。学习过程，不像学校里的课程授课，几乎都是想实现一个功能，于是去查找，找到一个语法，联系到更多的知识，联系，联系，最后再串起来。
记得从最一开始rJava包在我的电脑上没法安装，在Google上翻过所有的问答，StackOverflow成了我泡得最多的网站，远在英国的同学也帮忙解答。。。每一次反复调代码的时候，都是深夜凌晨，可当调好的瞬间又那么欣喜如狂。
再回头看，这个小作业很简单，但是从中已经学到了R语言里几乎所有的基础语法，虽然中间部分的算法还很凌乱，至少为自己感到骄傲。现在可以任意用ggplot画一个漂亮的统计图，而不是千篇一律的Excel。当然，如果有大神能拯救我以上杂乱的算法，欢迎指导学习，也希望下一个学习项目能分享和发现更多有趣的东西。
公众号后台回复关键字即可学习
回复 R R语言快速入门免费视频
回复 统计 统计方法及其在R中的实现
回复 用户画像 民生银行客户画像搭建与应用
回复 大数据 大数据系列免费视频教程
回复 可视化 利用R语言做数据可视化
回复 数据挖掘 数据挖掘算法原理解释与应用
回复 机器学习 R&Python机器学习入门
网友评论