[PYTHON] Versuchen Sie, mit der Twitter-API v2 ein soziales Diagramm zu zeichnen

Was du machen willst

1. Ich möchte prüfen, ob ich hier ein Diagramm ← zeichnen kann

• Ich möchte ein soziales Diagramm der Beziehungen auf Twitter erstellen ――Ich möchte die Nähe des Abstands und die Dicke der Linie entsprechend der Stärke der Beziehung anpassen. ――Ich möchte den Prozess der Clusterbildung beobachten

Was ist die Twitter-API?

API, die Daten auf Twitter erhalten kann

Für mehr Informationen,

• Über Twitter API
• Offizielles Dokument

Informationen zur API-Erfassungsmethode finden Sie unter Zusammenfassung der Verfahren von der Registrierung der Twitter-API (Kontoanwendungsmethode) bis zur Genehmigung. * Die Informationen sind möglicherweise veraltet

Soziale Grafik

Social graph - Wikipedia The social graph is a graph that represents social relations between entities. In short, it is a model or representation of a social network, where the word graph has been taken from graph theory.

Ein Diagramm, das die soziale Beziehung zwischen Objekten (= Knoten) zeigt. Drücken Sie die Freundschaft mit einer Linie (= Kante) aus.

Hauptthema

Vorbereitung

Die API-Erfassung entfällt

Bibliotheksimport

import json
import random
import pandas as pd
import matplotlib.pyplot as plt
from requests_oauthlib import OAuth1Session
import emoji
import networkx as nx

Token in Variable speichern

CK = '***************************'
CS = '***************************'
AT = '***************************'
ATS ='***************************'

Funktionsdefinition

def get_twitter_session():
    return OAuth1Session(CK, CS, AT, ATS)

Entscheide, was du zeichnen möchtest

user_list = ['himemoriluna','tokoyamitowa', 'amanekanatach','tsunomakiwatame','kiryucoco']

Erstellen Sie ein einfaches Wörterbuch zum Zeichnen

user_id_list = []
user_name_list = []
for user_screenname_t in user_list:
    ENDPOINT = 'https://api.twitter.com/1.1/users/show.json'
    SEARCH_WORD_SCREENNAME = user_screenname # twitter_ID

    twitter = get_twitter_session()
    params = {'screen_name': SEARCH_WORD_SCREENNAME}
    req = twitter.get(ENDPOINT, params=params)
    req_json = json.loads(req.text)
    user_id_list += [req_json['id']]
    user_name_list += [req_json['name']]


target_id_dict = {}
for i in range(0,5):
    target_id_dict[user_id_list[i]] = user_list[i]

# {1200396798281445376: 'himemoriluna',
#  1200357161747939328: 'tokoyamitowa',
#  1200396304360206337: 'amanekanatach',
#  1200397643479805957: 'tsunomakiwatame',
#  1200397238788247552: 'kiryucoco'}

target_name_dict = {}
for i in range(0,5):
    target_name_dict[user_list[i]] = user_name_list[i]

# {'himemoriluna': 'Himemori Luna',
#  'tokoyamitowa': 'Ewige Towa',
#  'amanekanatach': 'Kanata Amane',
#  'tsunomakiwatame': 'Zum quadratischen Wickeln',
#  'kiryucoco': 'Kiryu Coco'}

Daten bekommen

Erfasst den Benutzer, gefolgt von dem in user_list angegebenen Benutzer, und enthält das Ergebnis im Wörterbuchtyp.

follow_ids_dict = {}
for user_id in user_id_list:
    ENDPOINT = 'https://api.twitter.com/1.1/friends/ids.json'
    SEARCH_WORD_ID = user_id

    twitter = get_twitter_session()
    params = {'screen_name': SEARCH_WORD_SCREENNAME}
    req = twitter.get(ENDPOINT, params=params)

    #Erhalten Sie bis zu 5000 Follow-up-Informationen
    follow_ids = json.loads(req.text)
    follow_ids_dict[user_id] = follow_ids['ids']

Erstellen Sie ein Wörterbuch für Benutzernamen

follow_name_dict = {}
follow_screenname_dict = {}
for user_id in follow_ids_dict.keys():
    follow_name_list = []
    follow_screenname_list = []
    for user_id_nt in follow_ids_dict[user_id]:
        ENDPOINT = endpoint['user']
        SEARCH_WORD_ID = user_id_nt

        twitter = get_twitter_session()
        params = {'user_id': SEARCH_WORD_ID}
        req = twitter.get(ENDPOINT, params=params)

        req_json = json.loads(req.text)

        follow_name_list += [req_json['name']]
        follow_screenname_list += [req_json["screen_name"]]

    follow_name_dict[target_name_dict[user_id]] = follow_name_list
    follow_screenname_dict[target_name_dict[user_id]] = follow_screenname_list

DataFrame-Erstellung

Dieses Mal werden wir ein Diagramm visualisieren, in dem die Zweige ausgerichtet sind (gerichtete Zweige) und die Zweige gewichtet werden.

(Es ist problematisch, wenn das Piktogramm übrigens angezeigt wird, also löschen Sie es)

def remove_emoji(str_):
    return ''.join(c for c in str_ if c not in emoji.UNICODE_EMOJI)

#Wählen Sie eine der folgenden Optionen
# use_dict = follow_ids_dict #Visualisieren Sie mit interner ID
# use_dict = follow_screenname_dict #Benutzeridentifikation(@xxxx)Visualisieren mit
use_dict = follow_name_dict #Visualisieren Sie nach Benutzername

Row_From = [] #Startpunkt
Row_To = [] #Endpunkt

for i in use_dict.keys():
    for j in follow_name_dict[i]:
        Row_From += [remove_emoji(target_name_dict[i])]
        Row_To += [remove_emoji(j)]

result = pd.DataFrame(
    data={'From':Row_From, 'To':Row_To},
    columns=['From', 'To'])

result.head()

Da der Zweck dieser Zeit ein Visualisierungsexperiment ist, wird das Gewicht des Zweigs angemessen mit einer Zufallszahl bestimmt.

def return_randint(num):
    return random.randrange(1, 10000)/1000000000

result['WC'] = 0
result['WC'] = result['WC'].apply(return_randint)
network = result

Visualisierung

Die Standardeinstellung "font_family" kann nur alphanumerische Zeichen anzeigen. Geben Sie an, weil Sie Japanisch anzeigen möchten.

network_np = network.values
G = nx.DiGraph()
G.add_weighted_edges_from(network_np)

weighted_edges = []
for i in range(len(network)):
    weighted_edges += [list(network.iloc[i])]

G_practice = nx.DiGraph()

G_practice.add_weighted_edges_from(weighted_edges)
pos=nx.spring_layout(G)

fig = plt.figure(figsize=(40, 40), dpi=100,facecolor='w', linewidth=0, edgecolor='w')
nx.draw_networkx(G_practice,pos,font_size=16,font_family='IPAexGothic')
fig.show()

↑ Ich konnte so etwas zeichnen ('ω')

Zukunftsaussichten

Dieses Mal wurde das Diagramm der sozialen Beziehungen basierend auf den Follow-up-Informationen zu Tiwtter erstellt. In Zukunft werden wir nach Variablen suchen, die Beziehungen genauer beschreiben können, und basierend darauf werden wir die Gewichte von Zweigen anpassen und ausschneiden.

Referenz

• Social graph - Wikipedia
• Twitter Standard API Endpoints
• [Einfache Netzwerkanalyse mit Python networkx](https://deepblue-ts.co.jp/python/python%E3%81%AEnetworkx%E3%81%A7%E7%B0%A1%E5%8D% 98% E3% 81% AB% E3% 83% 8D% E3% 83% 83% E3% 83% 88% E3% 83% AF% E3% 83% BC% E3% 82% AF% E5% 88% 86% E6% 9E% 90 /)
• Auflösen verstümmelter japanischer Zeichen in matplotlib und NetworkX in der Python-Bibliothek