-
Notifications
You must be signed in to change notification settings - Fork 0
/
twitter_script.py
536 lines (427 loc) · 17.4 KB
/
twitter_script.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
# -*- coding: utf-8 -*-
"""
Created on Tue Nov 16 16:05:11 2021
@author: Pierre Cottais & An Hoàng
"""
"""
#####################################################
# Première partie : analyse exploratoire avec pymongo
#####################################################
"""
##################################################
# Chargement des modules
##################################################
import pandas as pd # manipulation de dataframes
from pymongo import MongoClient # utilisation de MongoDB avec Python
import zipfile
from pprint import pprint # affichage plus "joli"
import json # manuipulation de fichiers au format JSON
# import numpy as np # manipulation de vecteurs
# import random as rd
import matplotlib.pyplot as plt # création de graphiques
from wordcloud import WordCloud # création de nuages de mots
from datetime import datetime # manipulation de données au format datetime
##################################################
# Définition de fonctions
##################################################
# ajout du champ 'Opinion' (i.e. du libellé du sentiment)
def sentimentOpinion(liste): # liste de dictionnaires
for elem in liste:
if elem["Sentiment"] == -1:
elem["Opinion"] = "Ne croit pas au réchauffement climatique"
elif elem["Sentiment"] == 0:
elem["Opinion"] = "Sans opinion"
elif elem["Sentiment"] == 1:
elem["Opinion"] = "Croit au réchauffement climatique"
else:
elem["Opinion"] = "Relaie des faits d'acutalité à propos du réchauffement climatique"
# création et enregistrement d'un nuage de mots
def plotWordCloud(dataframe):
words = list(dataframe["Hashtag"])
freq = list(dataframe["Frequency"])
words_dict = dict(zip(words, freq))
title = dataframe["Opinion"].values[0]
cloud = WordCloud(width=800, height=400,
background_color="white",
max_words=50, min_font_size=10).generate_from_frequencies(words_dict)
plt.imshow(cloud)
plt.axis("off")
plt.title(title)
plt.tight_layout(pad=0)
plt.savefig('figures/wordcloud'+str(dataframe["Sentiment"].values[0])+'.png')
def makeDataFrameWords(dico): # utilisée en seconde partie (Spark)
words = list(dico.keys())
freq = list(dico.values())
df = pd.DataFrame({"Mot": words, "Fréquence": freq})
df.sort_values("Fréquence", axis=0, ascending=True, inplace=True)
return df
##################################################
# Traitement des données (nettoyage et fusion)
##################################################
print("====================")
print("TRAITEMENT DES DONNÉES")
print("====================")
# connexion à la base de données du serveur local de MongoDB
client = MongoClient(host="127.0.0.1:27017")
db = client["mydb"] # choix de la base de données
# print(client)
# print(db)
print("Collections contenues dans la base mydb :",
db.list_collection_names())
# décompression du fichier ZIP contenant les données
try:
with zipfile.ZipFile("data/dfiles.zip") as z:
z.extractall("data/")
print("Fichiers décompressés")
except:
print("Fichier compressé incorrect")
# chargement du fichier contenant les "sentiments" sur le changement climatique
sentiment = pd.read_csv(r'data/twitter_sentiment_data.csv')
# extraction des l'identifiant des tweets générés avec 'Hydration' de Twitter
sentiment['tweetid'].to_csv(r'data/ID.txt',
header=None, index=None, sep = ' ', mode= 'a')
# chargement de la collection 'twitter'
tw = db.twitter
# ajout d'un champ 'sentiment' pour chaque document de la collection
# par correspondance avec l'ID dans le fichier twitter_sentiment_data.csv
if "sentiment" in tw.find_one().keys(): # sélection du permier tweet pour vérifier
print("Le champ 'sentiment' existe déjà dans la base.")
else:
tweets = list(tw.find())
# number = tw.count() # obsolète
number = tw.count_documents({})
for i in range(0,number):
a = int(tweets[i]["id_str"]),
b = sentiment.loc[(sentiment['tweetid']==a)],
tw.update_one(
{"_id": tweets[i]["_id"]},
{ "$set": {"sentiment": int(b[0]['sentiment']) }}
)
print("La collection a été modifiée (ajout du champ 'sentiment').")
# # sélection du permier tweet pour vérifier l'existence
# if "sentiment" in find_one.keys():
# print("Le champ 'sentiment' existe déjà dans la base.")
# else:
# print("Le champ 'sentiment' n'est pas dans la base.")
# dico_sentiment = {}
# for i in range(0, len(sentiment)):
# dico_sentiment[sentiment["tweetid"][i]] = sentiment["sentiment"][i]
# liste_id = list(sentiment["tweetid"].values)
# liste_id = list(map(str, liste_id))
# res = tw.update_many(
# {"_id": {"$in": liste_id}},
# [{"$set": {"sentiment": 12}}]
# )
# for doc in tw.find({"_id": {"$in": liste_id}}):
# print(doc)
# for doc in res:
# print(doc)
# if "sentiment" in tw.find_one().keys():
# print("La collection a été modifiée (ajout du champ 'sentiment').")
# vérification si le sentiment est mis à jour par sélection aléatoire d'un tweet
# check = list(tw.find())
# random = rd.choice(range(0, number))
# print("Sentiment value of tweet", random +1 ,"= {}\n".format(check[random]["sentiment"]))
# ajout d'un champ 'date'
if "date" in tw.find_one().keys():
print("Le champ 'date' existe déjà dans la base.")
else:
tw.update_many({}, [
{"$set": {
"date": {"$dateFromString":
{"dateString": {"$concat": [
{"$substr": ["$created_at", 0, 11]},
{"$substr": ["$created_at", 26, 30]}
]}}
}
}}
])
print("La collection a été modifiée (ajout du champ 'date').")
print("====================")
print("0. Premières requêtes de test")
print("====================")
# comptage du nombre de tweets
# number = tw.count() # obsolète
number = tw.count_documents({}) # 27347
print(number, "tweets (soit 62% ayant une correspondance par ID)")
print("> Combien de tweets pour chaque langue ?")
language = tw.aggregate([
{ "$group": {
"_id": '$lang',
"count": {"$sum": 1}
}}
])
pprint(list(language))
# Autre façon de faire une requête : décomposition par étapes
# tweets en anglais
query = {"lang": "en"} # contenu de la requête
req1 = tw.find_one(query) # premier tweet anglais
req = list(tw.find(query)) # liste de tous les tweets anglais
print("Contenu du premier tweet en anglais :\n", req[0]["full_text"])
print("Et son identifiant :", req[0]["user"]["id_str"])
# affichage de plusieurs tweets
print("Affichage des 3 premiers tweets :\n")
for i in range(0,3):
print("Tweet", i+1 ,"content = {}\n".format(req[i]["full_text"]))
print("====================")
print("1. Nombre de tweets pour chaque 'sentiment'")
print("====================")
sentiment = tw.aggregate([
{ "$group": {
"_id": '$sentiment',
"count": {"$sum": 1}
}},
{"$sort": {
"count": -1 # tri des tweets par ordre décroissant
}}
])
# -1: don't believe in climate change (1742)
# 0: neutre opinion (4425)
# 1: believe in climate change (14840)
# 2: report news about climate change (6340)
df = pd.DataFrame(list(sentiment))
print(df)
df["_id"][df["_id"]==-1] = "Ne croit pas au réchauffement climatique"
df["_id"][df["_id"]==0] = "Sans opinion"
df["_id"][df["_id"]==1] = "Croit au réchauffement climatique"
df["_id"][df["_id"]==2] = "Relaie des faits d'acutalité à propos du réchauffement climatique"
# création du graphique
ax = df.plot.barh(y = 'count', x = '_id', legend = False, color = "#1DA1F3")
ax.set_xlabel("Nombre de tweets")
ax.set_ylabel("")
# enregistrement du graphique dans un dossier dédié aux figures
ax.figure.savefig('figures/barplot_sentiment.png',
dpi = 200, bbox_inches = "tight")
fig = ax.get_figure()
plt.close(fig) # ferme la fnêtre graphique (très important pour ceux d'après)
print("====================")
print("2. Hashtags les plus populaires pour chaque 'sentiment'")
print("====================")
# hashtags = tw.find({"entities.hashtags": {"$ne": []}},
# {"entities.hashtags.text": 1})
# hashtags = tw.find({"entities.hashtags": {"$exists": True, "$not": {"$size": 0}}}, # tweets containing hashtags
# {"sentiment":1, "entities.hashtags.text": 1})
top_hashtags = tw.aggregate([
{"$unwind": "$entities.hashtags"},
{"$group" : {"_id":{"sentiment":"$sentiment", "hashtag": "$entities.hashtags.text"},
"Nb#":{"$sum": 1}}},
{"$sort": {"Nb#": -1}}
])
# construction du top 10 des hashtags par sentiment
hashtag_list = []
top_dict = {-1: 0, 0: 0, 1: 0, 2: 0} # compteur pour le classement (top 10)
for doc in top_hashtags:
# pprint(doc)
if top_dict[doc["_id"]["sentiment"]] < 10:
hashtag_list.append({"Frequency": doc["Nb#"],
"Hashtag": doc["_id"]["hashtag"],
"Sentiment": doc["_id"]["sentiment"]})
top_dict[doc["_id"]["sentiment"]] += 1
# pprint(hashtag_list)
sentimentOpinion(hashtag_list) # ajout de l'opinion (libellé du 'sentiment')
df = pd.DataFrame(hashtag_list)
# itération pour chaque 'sentiment'
for s in range(-1, 3):
plotWordCloud(df[df["Sentiment"]==s])
print("====================")
print("3. Évolution du 'sentiment' des tweets dans le temps")
print("====================")
print("3.1. Série temporelle par mois")
print("==========")
# comptage du nombre de tweets par mois selon le 'sentiment'
month_aggreg = tw.aggregate([
{"$group": {"_id": {"Mois": {"$month": "$date"},
"Année": {"$year": "$date"},
"Sentiment": "$sentiment"},
"nb": {"$sum": 1}}
},
{"$sort": {"_id.Année": 1, "_id.Mois": 1}}
]) # différenciation du mois selon l'année et tri par ordre chronologique
# traitement de l'aggrégat pour générer un jeu de données
monthseries = []
for doc in list(month_aggreg):
# pprint(doc)
monthseries.append({"Date": datetime.strptime(str(doc["_id"]["Année"])+"-"+
str(doc["_id"]["Mois"]), "%Y-%m"),
"Sentiment": doc["_id"]["Sentiment"],
"Nb": doc["nb"]})
# sentimentOpinion(monthseries) # ajout de l'opinion (libellé du sentiment)
df = pd.DataFrame(monthseries)
# modification du jeu de données afin de faciliter la création du grahpique
dt = pd.pivot(df, index = "Date", columns = "Sentiment", values = "Nb")
# print(dt)
dt.plot(subplots=True, linewidth = 2)
plt.tight_layout(pad=0)
plt.savefig('figures/timeseries_month.png', dpi = 200)
print("3.2. Série temporelle par jour")
print("==========")
# idem pour le détail par jour
day_aggreg = tw.aggregate([
{"$group": {"_id": {"Date": "$date",
"Sentiment": "$sentiment"},
"nb": {"$sum": 1}}
},
{"$sort": {"_id.Date": 1}}
])
dayseries = []
for doc in list(day_aggreg):
# pprint(doc)
dayseries.append({"Date": doc["_id"]["Date"],
"Sentiment": doc["_id"]["Sentiment"],
"Nb": doc["nb"]})
# sentimentOpinion(dayseries)
df = pd.DataFrame(dayseries)
dt = pd.pivot(df, index = "Date", columns = "Sentiment", values = "Nb")
# print(dt)
dt.plot(subplots=True, linewidth = 1)
plt.legend(loc = "upper right")
plt.tight_layout(pad=0)
plt.savefig('figures/timeseries_day.png', dpi = 200)
"""
###############################################
# Seconde partie : analyse avancée avec pyspark
###############################################
"""
##################################################
# Chargement des modules
##################################################
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
from pyspark.ml.feature import Tokenizer, StopWordsRemover
from pyspark.sql import functions as F
from pyspark.sql.types import (ArrayType,StringType)
from pyspark.sql.functions import desc
import re
import ast # pour convertir d'une chaîne de caractères en liste
##################################################
# Démarrage de la session Spark
##################################################
spark = SparkSession \
.builder \
.master('local[*]')\
.appName("Twitter") \
.config("spark.executor.memory","1g") \
.config("spark.driver.maxResultSize","0") \
.getOrCreate()
##################################################
# Analyse exploratoire des tweets
##################################################
df = spark.createDataFrame(sentiment)
# requêtes de test sur les données
df.count() # 43943
df.columns
df.printSchema()
df.describe().show()
# affichage de quelques tweets
df.select('message').limit(3).toPandas()
# suppression des doublons et des NA
df = df.dropDuplicates()
df = df.na.drop()
df.count() #43943
# affichage du nombre de tweets par sentiment
df.groupby("sentiment").count().show()
# # comptage de certains mots
# rdd = df.rdd #turn dataframe into rdd]
# climate = rdd.filter(lambda x: "climate" in x['message'])
# print("Climate", climate.count())
# nettoyage des tweets
# construction de tokens pour les tweets
# use PySparks build in tokenizer to tokenize tweets
tokenizer = Tokenizer(inputCol = "message",
outputCol = "token")
tweet = tokenizer.transform(df)
tweet.repartition(20).limit(2).select('message','token').toPandas()
# suppression des "stopwords" ou mots vides
remover = StopWordsRemover(inputCol='token',
outputCol='token_nostp')
tweet_remove = remover.transform(tweet)
tweet_remove.repartition(20).limit(2).select('token','token_nostp').toPandas()
# suppression des retweets
tweet2 = tweet_remove.filter(tweet_remove.token[0]!="rt") # retweet has rt as the first token
print("Il reste", tweet2.count(), "tweets après nettoyage.")
# suppression des hashtags, hyperliens, étiquettes dans les tokens
def remove(token: list) -> list:
"""
Removes hashtags, call outs and web addresses from tokens.
"""
expr = '(@[A-Za-z0-a9_]+)|'+\
'(#[A-Za-z0-9_]+)|'+\
'(https?://[^\s<>"]+|www\.[^\s<>"]+)'
regex = re.compile(expr)
cleaned = [t for t in token if not(regex.search(t)) if len(t) > 0]
return list(filter(None, cleaned))
# Drap function 'remove' to spark by UDF
remove = F.udf(remove, ArrayType(StringType()))
## Pass function through data.frame
tweet3 = tweet2.withColumn("tokens_clean", remove(tweet2["token_nostp"]))
tweet3.repartition(500).limit(3).select('token_nostp','tokens_clean').toPandas()
# suppression des tweets sans token, i.e. où il y avait les #, liens etc...
# Remove tweets where the tokens array is empty, i.e. where it was just
# hashtag, web adress etc.
tweet = tweet3.where(F.size(F.col("tokens_clean")) > 0)
# tweet.limit(2).toPandas()
# tweet.count() #18853 tweets left
# sauvegarde du jeu de données final
tweet.repartition(20).select("sentiment","tweetid","tokens_clean") \
.write \
.save("data/twitter_cleared.json",format = "json")
# arrêt de la session sparl
spark.stop
##################################################
# Traitement des données par map reduce
##################################################
conf = SparkConf() \
.setMaster("local[*]") \
.setAppName("Twitter") \
.set("spark.executor.memory","1g")
sc = SparkContext.getOrCreate(conf=conf)
# séparation par 'sentiement', comptage des mots et tri par ordre décroissant
## Seperate by sentiment class, count words and sort by decending
# création d'un top 10 des mots les plus utilisés
results = []
sen = ("-1","0","1","2")
for i in sen:
RDD = tweet.filter(tweet['sentiment']==i)
RDD = RDD.select("tokens_clean").rdd
RDD = RDD.flatMap(lambda x: x[0]) \
.map(lambda x: (x, 1)).reduceByKey(lambda x,y: x+y)
RDD = RDD.repartition(20).toDF()
word = RDD.orderBy(desc(RDD[1])).take(10) #list type, could use print()
results.append(word)
# enregistrement du résultat
file = json.dumps(results)
#rdd.repartition(1000).saveAsTextFile("file:///C:/temp/WordCountTotal")
# arrêt de SparkContext
sc.stop()
print("====================")
print("4. Top 10 des mots clés avec Spark")
print("====================")
with open('data/top10.txt') as file:
top10_str = file.readline()
file.close()
top10_list = ast.literal_eval(top10_str)
# print(type(top10_list))
# print(top10_list)
# création de 4 dataframes (1 par sentiment) dans une liste
df_list = []
for words_dico in top10_list:
df = makeDataFrameWords(words_dico)
df_list.append(df)
# définition de la figure (grille de 4 graphiques)
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(15, 12))
# tuple d'opinions pour les titres des graphiques
titles = ("Ne croit pas au réchauffement climatique",
"Sans opinion",
"Croit au réchauffement climatique",
"Relaie des faits d'acutalité à propos du réchauffement climatique")
# création des 4 graphiques dans une même figure
s = 0
for i in range(0, 2):
for j in range(0, 2):
df = df_list[s]
axes[i, j].barh(df['Mot'], df['Fréquence'], color = "#1DA1F3")
axes[i, j].set_title(titles[s])
s += 1
plt.tight_layout()
plt.savefig('figures/barplot_top10words.png', dpi = 200, bbox_inches = "tight")
plt.close()