[PYTHON] Ich habe versucht, den allgemeinen Zustand der VTuber-Kanalbetrachter zu visualisieren

Samari

• Wir haben ein Netzwerk erstellt, das VTuber-Kanäle verbindet.
• Das Gewicht der Netzwerkkante gibt an, wie stark sich der Betrachter des Kanals mit einem anderen Kanal überlappt. ――Die betrachteten Büros sind Nijisanji, hololive, 774 .inc, upd8, Kleberprofis und Einzelpersonen. (Persönliche Auswahl ist 100% meiner Hobbys und Geschmäcker ...) »Dieses Mal habe ich es mir nur vorgestellt. Ich habe es nicht analysiert. Es gibt noch viele Dinge, die ich tun möchte, also werde ich es tun, wenn sich der Power-Pro beruhigt. ――Der 12. Juli ist die 3D-Enthüllung des hololiven Kakumaki Watame. Mal sehen.

Von den Kanten, die zwischen Distributoren verbunden sind, ist das Netzwerk, das nur die Kanten mit dem höchsten Gewicht von 10% anzeigt, wie folgt, und Betrachter werden häufig unter Distributoren gesehen, die zum selben Büro gehören, wie Nijisanji und Hollowive. Ich stellte fest, dass ich es trug.

Motiviert

Derzeit gibt es in der VTuber-Branche viele Niederlassungen wie Nijisanji, hololive, 774 inc., Nori Pro, upd8 usw., und jede Niederlassung hat viele Vertriebshändler. Natürlich gibt es auch einzelne Distributoren, die nicht zum Büro gehören. Distributoren veröffentlichen Videos für ungefähr eine Stunde in einem Tempo von ungefähr einmal täglich bis zu einigen Tagen. Wenn Sie die Videozeit für jedes Büro addieren, kann die Gesamtzeit der pro Tag geposteten Videos leicht 24 Stunden überschreiten. Daher ist es praktisch unmöglich, alle Videos von mehreren Büros aus anzusehen. Das Folgende ist meine registrierte Kanalspalte eines Tages, aber es ist schwer, alles zu sehen. .. .. Vielleicht sind viele Menschen in der gleichen Situation. Daher wählt jede Person ein Video und einen Kanal nach ihrem Geschmack und Geschmack. Zu diesem Zeitpunkt dachte ich, dass es Spaß machen würde, zu visualisieren, welche Kanäle gleichzeitig leicht zu sehen sind, und versuchte, sie auszuführen.

Methode

Viele VTubers senden live, und Sie können während der Übertragung Kommentare veröffentlichen. Wenn Sie beispielsweise das Video (https://www.youtube.com/watch?v=Ypc_xKz--fY) von Hololives Luna Himemori (https://www.youtube.com/channel/UCa9Y57gfeY0Zro_noHRVrnw) abspielen, Sie können den folgenden Kommentarbereich zum Zeitpunkt der Live-Übertragung beiseite sehen. Dieses Kommentarprotokoll enthält Datum und Uhrzeit des Kommentars, den Namen des Betrachters, Spacha-Informationen und mehr. Dieses Mal werden wir Informationen zum Zuschauernamen verwenden, um die Beziehungen zwischen Kanälen zu bewerten. Sei $ U_i $ die Menge der Zuschauer, die einen Kanal $ i $ kommentiert haben, und definiere, wie viel die Zuschauer zwischen den Kanälen $ w_ {ij} $ gelitten haben, was das übliche Verhältnis der Kanäle $ i $ und $ j $ ist. .. $ w_{ij} := \frac{|U_i \cap U_j|}{|U_i \cup U_j|} $

Dies wird als Kantengewicht bei der Visualisierung als Netzwerk verwendet.

Berechnung und Visualisierung der Ähnlichkeit zwischen Kanälen

Der Datenerfassungszeitraum ist vom 1. Januar 2020 bis zum 30. Juni 2020. Außerdem haben wir nicht überprüft, ob die Kommentare aller Videos mit Kommentaren korrekt erhalten wurden. .. ..

Kommentardaten abrufen

Im folgenden Artikel wird eine Datenerfassungsmethode beschrieben. Verwenden Sie sie daher fast so, wie sie ist.

• https://qiita.com/tf0101/items/efb2484a0b5b1cdc8291

Als Beispiel speichere ich jedes Video im folgenden Format.

Nur VideoLength ist Text. .. .. Ich werde es dieses Mal nicht benutzen. .. ..

Erstellen eines Datensatzes

Erstellen Sie zunächst eine Liste der Zuschauer, die den Datenzeitraum für jeden Kanal kommentiert haben. Dies kann durch Zusammenführen aller oben erhaltenen Kommentarlisten erfolgen. Der folgende Code versucht, die Anzahl der Kommentare zu zählen. Dies dient jedoch der Bequemlichkeit einer anderen Aufgabe und ist nicht wesentlich mit dieser Aufgabe verbunden.

df = pd.concat([pd.read_pickle(path) for path in comment_paths])
counts = df.groupby(['AuthorName', 'ChannelId', 'VideoId', 'BaseDate']).size().to_frame('Count').reset_index()

Das Format ist wie folgt.

Benachbarte Matrix

Wie bereits erwähnt, berechnen wir diesmal die Abdeckung des Zuschauers zwischen den Kanälen. Dies kann leicht erreicht werden, indem eine Benutzerliste für jeden Kanal erstellt und eine festgelegte Operation ausgeführt wird.

def corr_by_author_set_union(counts, channels):
    corr = pd.DataFrame().assign(Channel=channels).set_index('Channel')
    tmp = counts.loc[:, ['ChannelId', 'AuthorName']].drop_duplicates()
    channelId_to_set = {ch: set(tmp[tmp.ChannelId == ch].AuthorName) for ch in channels}
    for  ch1 in channels: 
        corr[ch1] = [(len(channelId_to_set[ch1] & channelId_to_set[ch2]) / \
                    len(channelId_to_set[ch1] | channelId_to_set[ch2])) for ch2 in channels]
    return corr

Darstellung des Graphen

Zeichnen wir nun die Grafik. Der Code ist fast der gleiche wie auf der folgenden Site.

• Ich habe versucht, das nationale Familiennamen-Netzwerk unter https://datumstudio.jp/blog/networkx zu visualisieren
• https://stackoverflow.com/questions/55750436/group-nodes-together-in-networkx

def create_graph(df, threshold=0.5, is_directed=True):
    assert set(df.index) == set(df.columns)

    #Erstellen Sie ein Diagramm
    if is_directed:
        graph = nx.DiGraph()
    else:
        graph = nx.Graph()

    #Knoten hinzufügen
    for col in df.columns:
        if not graph.has_node(col):
            graph.add_node(col)

    #Kante hinzufügen
    for a, b in itertools.combinations(df.columns, 2):
        if a == b or graph.has_edge(a, b):
            continue
        val = df.loc[a, b]
        if abs(val) < threshold:
            continue
        graph.add_edge(a, b, weight=val)

    return graph

def draw_char_graph(G, fname, edge_cmap=plt.cm.Greys, figsize=(16, 8)):
    plt.figure(figsize=figsize)
    weights = [G[u][v]['weight'] for u, v, in G.edges()]
    pos = nx.spring_layout(G, k=16)

    nodes = pos.keys()
    colors = list(set([channel_to_color[n] for n in nodes]))
    color_to_id = {colors[i]: i for i in range(len(colors))}
    angs = np.linspace(0, 2*np.pi, 1+len(colors))
    repos = []
    rad = 3.5
    for ea in angs:
        repos.append(np.array([rad*np.cos(ea), rad*np.sin(ea)]))
    for ea in pos.keys():
        posx = 0
        posx = color_to_id[channel_to_color[ea]]
        pos[ea] += repos[posx]

    nx.draw(G,
            pos, 
            node_color=[channel_to_color[n] for n in G.nodes()],
            edge_cmap=edge_cmap,
            edge_vmin=-3e4,
            width=weights,
            with_labels=True,
            font_family='Yu Gothic',
            font_size=8,
            font_color='green')
    plt.savefig(fname, dpi=128)
    plt.show()

Erstellen und zeichnen Sie mit diesen ein Diagramm.

Ganzes Netzwerk

Die Linienstärke entspricht dem hohen Prozentsatz der gemeinsamen Betrachter. .. ..

union_corr = corr_by_author_set_union(channels)
#Es ist schwer zu verstehen, ob es sich um ChannelId handelt. Schreiben Sie es daher in ChannnelName um
union_corr = rename_ChannelId_to_ChannelName(union_corr)
graph = create_graph(union_corr, threshold=0, is_directed=False)
draw_char_graph(graph, 'fig/graph_author_union.png', figsize=(16, 16))

―― Insgesamt ist die Richtung von Nijisanji gerichtet, und der Prozentsatz der Personen, die gleichzeitig Nijisanji und andere Büros betrachten, ist hoch.

• Herr Shigure Ui und Herr Tamaki Inuyama haben einen starken Vorteil nicht nur in Richtung Nijisanji, sondern auch in Richtung Hololive.

Ganzes Netzwerk (nur die oberen 10% der Kantengewichte)

Da die Anzahl der Anzeigen im vorherigen Diagramm zu groß ist, sollten Sie die Anzahl der Kanten reduzieren. 10% ist ein Gefühl. Da hier nur die obersten 10% dargestellt werden, kann hier eine Linie gezogen werden, die interpretiert werden kann, dass die Abdeckung des Betrachters zwischen den Kanälen sehr hoch ist. .. ..

# (Rand th, betweenness_centrality)
pairs = [(90, 0)]
df = union_corr.copy()
for pair in pairs:
    th = np.percentile(df.fillna(0).values.ravel(), pair[0])
    print(pair, th)
    graph = create_graph(df, threshold=th, is_directed=False)
    draw_char_graph(graph , 'fig/graph_author_union_{}.png'.format(pair), figsize=(16, 16))

――Hohe gemeinsame Zuschauerzahl im selben Büro

• Die meisten Verbindungen von Tamaki Inuyama bestehen zu Hololive, und die Verbindung zu Hololive ist stärker als die von Nijisanji.
• Wie oben, Mr. Shigure

Büronetzwerk

Hier sind nur die oberen 10% der Kanten eingezeichnet. 　 Als persönlicher Eindruck kann Folgendes berücksichtigt werden, wenn die Verbindung zum Büro schwach ist.

――Das gesamte Büro ist verbunden und das Publikum ist schwach abgedeckt. ――Die Verbindung mit der Außenseite des Büros ist stark, und wenn die Innenseite des Büros angezeigt wird, erscheint die Verbindung schwach.

Internes Netzwerk von Nijisanji

――Ich verstehe nicht, weil sich die Linien zu stark überlappen.

Untere und obere 3 Kanäle mit Gewichten, die mit jedem Knoten verbunden sind

• Niedrigere 3 Gewichtskanäle der Kanten, mit denen die oberen 3 verbunden sind
• Die unteren drei sind die oberen drei Kanäle

Netzwerk in hololive

――Wie persönlich gefühlt ――Es fällt auf, dass durch die Abdeckung des Publikums ein Dreieck gebildet wird. .. .. ich fühle

• Keine Sicherheit

Netzwerk innerhalb von Holostars

――Wie persönlich gefühlt

• Kaoru Tsukishita ist gut

774 Netzwerk in .inc

――Ist das Publikum von Sugariri, Hanist und Animare geteilt?

Netzwerk in upd8

――Die Linie ist dünn und das Publikum wird nicht viel abgedeckt ――Die Linie zwischen Onkel Bami Fleisch ist dick

Netzwerk innerhalb von Nori Pro

――Seit die Linie verschwindet, zeichnen Sie nur hier die oberen 25% der Linie

• Yuzuru Himesaki und Takuma Kumagai haben noch keine Videos gepostet.

Persönliches Netzwerk

»Ich habe es nach dem Planen bemerkt, aber Yui Yui und Shia Minase gehören zum Büro. Es ist auch offensichtlich, dass sich die Zielgruppen überschneiden

Netzwerk mit einem anderen Büro

――Wenn Sie alle Kombinationen ausführen, werden viele Bilder angezeigt, also nur zwischen Nijisanji und hololive ――Ist es der Einfluss der Ozora-Familie, dass Subaru Ozora und Keisuke Maimoto im Gewicht der verbundenen Kante höher eingestuft werden?

Von den hololiven Kanälen sind die unteren 3 des Gewichtsmittelwerts der mit dem Regenbogen verbundenen Kanten

Unter den Kanälen von Nijisanji sind die unteren 3 des Gewichtsmittelwerts der Kante mit hololive verbunden

Impressionen

――Wenn Sie die Zusammenarbeit verbessern, wird das Publikum überfordert sein, das ist richtig ――Es scheint interessant zu sein, Kernextraktion und Clusteranalyse durchzuführen.