Analisi_tweet_politica.Rmd

---
title: "Analisi dei Tweet dei politici Italiani"
author: "D'Abrosca Gianluca"
date: "17/12/2021"
output: html_document
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(
	echo = FALSE,
	fig.align = "center",
	message = FALSE,
	warning = FALSE,
	cache = FALSE
)
```
 
## Introduzione

Presi alcuni politici italiani si vuole capire se dall'analisi di un social media, in questo caso Twitter, si possa intuire qualche informazione riguardo l'ideologia politica delle persone prese in esame.
Sono state scelte 5 persone sulla base di alcuni fattori:

- La frequenza della pubblicazione su Twitter
- L'influenza politica come riportato su questo [Sito](https://www.true-news.it/politics/politici-social-network-top-10-piu-seguiti-italia-mondo) 
- Il numero di seguaci

Sono stati scelti in particolare Giuseppe Conte, Luigi di Maio, Giorgia Meloni, Matteo Renzi e Matteo Salvini.

```{r definizione delle librerie, include=FALSE}
library(TextWiller)
library(tidyverse)
library(tidytext)
library(jsonlite)
library(ggplot2)
library(stringr)
library(igraph)
library(ggraph)
library(plotly)
library(tidyr)
library(dplyr)
library(DT)
politici = c('Giuseppe Conte', 'Luigi di Maio', 'Giorgia Meloni', 'Matteo Renzi', 'Matteo Salvini')
```

Per l'estrazione dei tweet si è usata l'API fornita da Twitter stesso.
Purtroppo, per le limitazioni poste dalla stessa azienda, il numero di tweet estraibili non può superare 3200.
Per questo passaggio si è creato uno script in Python che permette l'estrazione consecutiva a ritroso dei tweet e li fonde insieme per creare un unico file .json contente tutti i 3200 per l'utente richiesto. [Script Python](https://github.com/dbrglc/scraper_twitter)
Quindi sono stati estratti gli ultimi 3200 tweet per ogni politico.

Oltre al testo del tweet è stato possibili estrarre anche le seguenti informazioni per messaggio:

- La data di pubblicazione
- Il codice univoco
- I conteggi di like, risposte e retweet
- Le menzioni dei nomi utenti
- Il nome di persone influenti menzionate e il loro relativo campo d'interesse. (Per esempio, menzionando Joe Biden si ha come dominio d'interesse la politica)

Queste non sono le uniche informazioni ottenibili dall'API, ma dato che le altre non verranno utilizzate si è deciso di eliminarle dal dataset per renderlo più leggero possibile.
In seguito si ottengono le informazioni dai 5 file .json, si adegua il dataset ottenuto e si selezionano le informazioni importanti.

```{r importo e pulisco il dataset, include=FALSE}
lista_json = list.files(path = "./files/tweets/", pattern = "\\.json$")
lista_json =  sort(lista_json)
tweet_per_politico = c()

i=1
for (file_name in lista_json) {
  tweet_per_politico[[ politici[[i]] ]] = as.data.frame(fromJSON(paste("./files/tweets/", file_name, sep = ""))) %>%
    unnest(c('data.public_metrics', 'data.referenced_tweets'), names_repair = 'unique') %>%
    rename( retweet.type = type,
            retweet.id = id
          ) %>%
    mutate( year= format(as.POSIXct(data.created_at, format="%Y-%m-%dT%H:%M:%OSZ", tz=""), format = "%Y"), 
            month= format(as.POSIXct(data.created_at, format="%Y-%m-%dT%H:%M:%OSZ", tz=""), format = "%m"),
            day= format(as.POSIXct(data.created_at, format="%Y-%m-%dT%H:%M:%OSZ", tz=""), format = "%d")
            ) %>%
    select(c("data.id",
             "data.context_annotations",
             "like_count",
             "quote_count",
             "retweet_count",
             "reply_count",
             "data.text",
             "year", "month", "day",
             "data.entities",
             ))
    
  i = i+1
}

rm(file_name, lista_json, i)
```

Una volta ottenuto il dataset, mi sono posto domande basate su curiosità per provare a rispondere usando i dati in possesso.

## Chi è il politico mensilmente più attivo su Twitter?

Dato il limite di 3200 tweet per politico non si può avere lo storico di tutti i tweet per ogni utente.
Però può essere interessante paragonare la presenza sul social tra vari politici.

```{r mostra frequenza dei tweet pubblicati, include=FALSE}
i= 1
numero_di_tweet_per_mese = c()
frequenze_mensili = NULL

for (tweet in tweet_per_politico) {
  numero_di_tweet_per_mese[[ politici[[i]] ]] = tweet %>%
    count(year, month, name = politici[[i]])
  
  i = i+1
}

i= 1

for (tweet in numero_di_tweet_per_mese) {
  if(i == 1) {
    frequenze_mensili = tweet
  } else {
    y = tweet
    frequenze_mensili = full_join(frequenze_mensili, y, by = c("year", "month"))
  }
  
  i = i+1
}

frequenze_mensili = frequenze_mensili %>%
  arrange(year, month) %>%
  mutate(asse_x = paste(year, month, sep = ' - '))
  
rm(i, tweet, y, numero_di_tweet_per_mese)
```

In questo caso si è fatto uso di un *full join* in quanto è possibile che per un determinato periodo uno degli utenti non abbia pubblicato tweet oppure abbia già raggiunto il limite dei 3200 tweet.

```{r mostra frequenze mensili}
xaxis <- list(title = "",
             showgrid = FALSE,
             zeroline = FALSE,
             showline = FALSE,
             visible = FALSE,
             gridcolor = '#00FFFFFF',
             showticklabels = FALSE)

yaxis <- list(title = "",
              showline = TRUE,
              showgrid = TRUE,
              showticklabels = TRUE,
              linecolor = 'rgb(204, 204, 204)',
              linewidth = 2,
              autotick = TRUE,
              ticks = 'outside',
              tickcolor = 'rgb(204, 204, 204)',
              tickwidth = 2,
              ticklen = 5,
              tickfont = list(family = 'Arial',
                              size = 12,
                              color = 'rgb(82, 82, 82)'))

margin <- list(autoexpand = FALSE,
              l = 100,
              r = 200,
              t = 110)

salvini = min(which(!is.na(frequenze_mensili$`Matteo Salvini`)))
conte = min(which(!is.na(frequenze_mensili$`Giuseppe Conte`)))
maio = min(which(!is.na(frequenze_mensili$`Luigi di Maio`)))
meloni = min(which(!is.na(frequenze_mensili$`Giorgia Meloni`)))
renzi = min(which(!is.na(frequenze_mensili$`Matteo Renzi`)))

salvini_ann <- list(
  xref = 'x',
  yref = 'y',
  x = frequenze_mensili$asse_x[salvini],
  y = frequenze_mensili$`Matteo Salvini`[salvini],
  xanchor = 'right',
  yanchor = 'middle',
  text = paste('Salvini ', frequenze_mensili$month[salvini], '-', frequenze_mensili$year[salvini]),
  font = list(family = 'Arial',
              size = 16,
              color = 'rgba(67,67,67,1)'),
  showarrow = FALSE)

conte_ann <- list(
  xref = 'x',
  yref = 'y',
  x = frequenze_mensili$asse_x[conte],
  y = frequenze_mensili$`Giuseppe Conte`[conte],
  xanchor = 'right',
  yanchor = 'top',
  text = paste('Conte ', frequenze_mensili$month[conte], '-', frequenze_mensili$year[conte]),
  font = list(family = 'Arial',
              size = 16,
              color = 'rgba(67,67,67,1)'),
  showarrow = FALSE)

maio_ann <- list(
  xref = 'x',
  yref = 'y',
  x = frequenze_mensili$asse_x[maio],
  y = frequenze_mensili$`Luigi di Maio`[maio],
  xanchor = 'right',
  yanchor = 'middle',
  text = paste('Maio ', frequenze_mensili$month[maio], '-', frequenze_mensili$year[maio]),
  font = list(family = 'Arial',
              size = 16,
              color = 'rgba(67,67,67,1)'),
  showarrow = FALSE)

meloni_ann <- list(
  xref = 'x',
  yref = 'y',
  x = frequenze_mensili$asse_x[meloni],
  y = frequenze_mensili$`Giorgia Meloni`[meloni],
  xanchor = 'right',
  yanchor = 'middle',
  text = paste('Meloni ', frequenze_mensili$month[meloni], '-', frequenze_mensili$year[meloni]),
  font = list(family = 'Arial',
              size = 16,
              color = 'rgba(67,67,67,1)'),
  showarrow = FALSE)

renzi_ann <- list(
  xref = 'x',
  yref = 'y',
  x = frequenze_mensili$asse_x[renzi],
  y = frequenze_mensili$`Matteo Renzi`[renzi],
  xanchor = 'right',
  yanchor = 'middle',
  text = paste('Renzi ', frequenze_mensili$month[renzi], '-', frequenze_mensili$year[renzi]),
  font = list(family = 'Arial',
              size = 16,
              color = 'rgba(67,67,67,1)'),
  showarrow = FALSE)

type = 'scatter'
mode = 'lines+markers'
width = 2

fig <- plot_ly(frequenze_mensili, x = ~asse_x) 
fig <- fig %>% add_trace(y = frequenze_mensili$`Matteo Salvini`, name = 'Matteo Salvini', type = type, mode = mode, line = list(color = '#800000', width = width))  
fig <- fig %>% add_trace(y = frequenze_mensili$`Luigi di Maio`, name = 'Luigi di Maio',type = type, mode = mode, line = list(color = '#f58231', width = width))
fig <- fig %>% add_trace(y = frequenze_mensili$`Giuseppe Conte`, name = 'Giuseppe Conte', type = type, mode = mode, line = list(color = '#469990', width = width))  
fig <- fig %>% add_trace(y = frequenze_mensili$`Giorgia Meloni`, name = 'Giorgia Meloni',type = type, mode = mode, line = list(color = '#fabed4', width = width))
fig <- fig %>% add_trace(y = frequenze_mensili$`Matteo Renzi`, name = 'Matteo Renzi',type = type, mode = mode, line = list(color = '#000000', width = width))
fig <- fig %>% layout(xaxis = xaxis,
                      yaxis = yaxis,
                      margin = margin,
                      autosize = TRUE,
                      showlegend = TRUE)
fig <- fig %>% layout(annotations = salvini_ann)
fig <- fig %>% layout(annotations = maio_ann)
fig <- fig %>% layout(annotations = conte_ann)
fig <- fig %>% layout(annotations = meloni_ann)
fig <- fig %>% layout(annotations = renzi_ann)

fig

rm(xaxis, yaxis, margin, salvini_ann, maio_ann, conte_ann, meloni_ann, renzi_ann, fig, type, mode, width, salvini, conte, maio, meloni, renzi, frequenze_mensili)
```

Segue che **Matteo Salvini** sembra il politico che posta di più su Twitter, o per lo meno nel periodo da Gennaio 2021 a Settembre 2021.
Purtroppo non è possibile esaminare precedentemente a quella data perchè è stato il primo a raggiungere il limite dell'API.

Contrariamente pare che **Giuseppe Conte** non sia nemmeno arrivato al limite dei 3200 tweet, con un minimale di 2 tweet a Febbraio 2021.
Si controlla in seguito il numero dei suoi tweet totali.

```{r controllo conte sommatoria minore di 3200}
print(unlist(count(tweet_per_politico$`Giuseppe Conte`)))
```

## Le parole più usate nei tweet possono essere significative per dare un contesto politico?

Si vuole analizzare la frequenza delle parole per poi osservare quelle più usate e cercare di trarre qualcosa del contesto.
Per fare ciò bisogna però eliminare le stop words, che in italiano si possono trovare nel pacchetto *stopwords* di R.

```{r rimozione delle stop words, include=FALSE}
# stop words italiane
italian_stop_words = as.data.frame( append(stopwords::stopwords('italian'), c('t.co','https','grazie','oggi')) )
colnames(italian_stop_words) = c('word')

tweet_per_politico_unnest_stop = c()
i=1

for (tweet in tweet_per_politico) {
  politico_text_tweet = tweet %>%
    select(data.id, data.text)
  
  # unnest token e rimozione delle stop words
  tweet_per_politico_unnest_stop[[ politici[[i]] ]] = unnest_tokens(tbl = politico_text_tweet, input = data.text, output = word) %>%
    anti_join(italian_stop_words, by='word') %>%
    count(word, sort = TRUE)
  
  i = i+1
}

rm(italian_stop_words, politico_text_tweet, tweet, i)
```

```{r parole più frequenti per politico}
i=1

for (tweet in tweet_per_politico_unnest_stop) {
  # Frequenza di ogni parola graficata
  print( tweet %>%
    slice(1:5) %>%
    mutate(word = reorder(word, n)) %>%
    ggplot(aes(word, n)) +
    geom_col() +
    ggtitle(paste('Parole più frequenti nei tweet di', politici[i])) +
    xlab('Parole') +
    ylab('Frequenze assolute') +
    coord_flip() +
    theme_classic()
  )
  i = i+1
}

rm(tweet, i, tweet_per_politico_unnest_stop)
```

Per la maggior parte degli utenti si può osservare come la parola **rt** sia al primo posto.
Questa informazione fa capire come il tema del COVID-19 sia stato influente nei social anche per i politici e da un'idea del contesto storico da cui questi tweet sono stati estratti, nonostante la variabilità dei mesi dovuta alla frequenza di pubblicazione precedentemente vista.

Un'altra informazione molto interessante è che tra le prime posizioni si può osservare il partito politico di appartenenza nella maggior parte degli utenti.
Purtroppo non si può fare ciecamente affidamento ai dati, in particolare in quinta posizione per **Giorgia Meloni** si osserva la parola **sinistra**, nonostante il partito politico di cui è presidente sia di destra e estrema destra, secondo Wikipedia.

```{r meloni analisi sinistra}
tweet_per_politico$`Giorgia Meloni` %>%
  filter( grepl('sinistra', data.text, fixed = TRUE) ) %>%
  select(data.text) %>%
  slice(1:10)
```

Infatti, provando a contestualizzare si può osservare come Giorgia Meloni menzioni la sinistra per screditarla e non per favorirla.

## Dai Tweet con più like o più risposte di un politico si può capire qualcosa dalla sua inclinazione politica?

Avendo a disposizione dei contatori si vuole verificare se c'è un legame tra il numero di like e l'importanza politica del messaggio.

```{r tweet con più like}
i= 1
for (tweet in tweet_per_politico) {
  print(paste('Per ', politici[[i]], ' si ha:', sep=''))
  
  # Tweet con più like
  tweet[ order( tweet$like_count, decreasing = TRUE) , ] %>%
    slice(1:3) %>%
    select(data.text, like_count) %>%
    print()
  
  i = i+1
}

rm(tweet, i)
```

Non sembra esserci una strettissima relazione tra le due variabili, infatti 3 politici hanno come messaggio con più like uno basato su battaglie personali piuttosto che politiche.
Invece, si può pensare che un messaggio con tante risposte possa essere critico e dividere l'opinione pubblica, ma sarà veramente cosí?
Si provano ad osservare 3 messaggi con più risposte per ogni politico.

```{r tweet con più risposte}
i= 1
for (tweet in tweet_per_politico) {
  print(paste('Per ', politici[[i]], ' si ha:', sep=''))
  
  # Tweet con più risposte
  tweet[ order( tweet$reply_count, decreasing = TRUE) , ] %>%
    slice(1:3) %>%
    select(data.text, reply_count) %>%
    print()
  
  i = i+1
}

rm(tweet, i)
```

Tuttavia non sembra così neanche per i messagi con più risposte, solo i messaggi di **Giorgia Meloni** sembrano essere apertamente critici nei confronti di altri politici.
Anche nel video del primo messaggio critica l'atteggiamento di un politico in una determinata occasione.
Ma mediamente il numero di risposte non influenza molto sul fatto che il messaggio stesso abbia un contenuto volto a sindacare.

## É possibile estrapolare qualche informazione dalle menzioni delle persone in un tweet

Come si è visto nell'introduzione al dataset, l'API di Twitter permette di estrapolare direttamente il nome di chi viene menzionato e il suo dominio.
Filtrando il dominio per **Politics** é molto semplice capire quale politico viene menzionato e in quale messaggio.

Inoltre è possibile mostrare anche una classifica degli username più menzionati, questa risulta però spesso inutile in quanto fornisce un nome da decifrare e il nome reale della persona avente quell'username é comunque riportato come detto in precedenza e filtrando per il dominio é anche possibile capire se é un esponente politico o meno.

```{r mostra username menzionati, include=FALSE}

for (tweet in tweet_per_politico) {
  tweet$data.entities$mentions[ !unlist( lapply(tweet$data.entities$mentions, is.null) ) ]%>%
    bind_rows() %>%
    count(username, sort = TRUE) %>%
    slice(1:10) %>%
    print()
}

rm(tweet)
```

```{r salva nomi menzionati, include=FALSE}
i= 1
nomi_menzionati = c()

for (tweet in tweet_per_politico) {
  nomi_menzionati[[ politici[[i]] ]] = tweet %>%
    unnest(data.context_annotations) %>%
    unnest(c('entity','domain'), names_sep = '.') %>%
    filter(domain.name == 'Politician') %>%
    anti_join(data.frame(entity.name = c('Dell', politici[[i]] )), by = 'entity.name') %>%
    count(entity.name, sort = TRUE, name = politici[[i]])
  
  i = i+1
}

i= 1

for (tweet in nomi_menzionati) {
  if(i == 1) {
    matrice_adiacenze_rete_sociale = tweet
  } else {
    matrice_adiacenze_rete_sociale = full_join(matrice_adiacenze_rete_sociale, tweet, by = c("entity.name"))
  }
  
  i = i+1
}

matrice_adiacenze_rete_sociale[is.na(matrice_adiacenze_rete_sociale)] = 0
matrice_adiacenze_rete_sociale

rm(i, tweet)
```

```{r mostra nomi menzionati}
for (tweet in nomi_menzionati) {
  tweet  %>%
    slice(1:5) %>%
    print()
}

rm(tweet)
```

## Rete sociale delle menzioni

Dalle precedenti informazioni si vuole cercare di costruire una rete sociale basata sulle menzioni sopracitate.

Per esempio se si volesse avere un'idea

```{r salva rete sociale delle menzioni, include=FALSE}
rete_sociale = bind_rows('Giuseppe Conte' = rename(nomi_menzionati$`Giuseppe Conte`, 'weight' = 'Giuseppe Conte'),
                         'Luigi di Maio' = rename(nomi_menzionati$`Luigi di Maio`, 'weight' = 'Luigi di Maio'),
                         'Giorgia Meloni' = rename(nomi_menzionati$`Giorgia Meloni`, 'weight' = 'Giorgia Meloni'),
                         'Matteo Salvini' = rename(nomi_menzionati$`Matteo Salvini`, 'weight' = 'Matteo Salvini'),
                         'Matteo Renzi' = rename(nomi_menzionati$`Matteo Renzi`, 'weight' = 'Matteo Renzi'),
                         .id='da_citazione')

nomi = sort(unique(matrice_adiacenze_rete_sociale$entity.name))
matrice_adiacenza = matrix(0, length(nomi), length(nomi), dimnames = list(nomi, nomi))
matrice_adiacenza[as.matrix(rete_sociale[c("da_citazione", "entity.name")])] <- rete_sociale[["weight"]]

grafo_rete_sociale = graph_from_adjacency_matrix(matrice_adiacenza, weighted = TRUE)

V(grafo_rete_sociale)$grado_in = degree(grafo_rete_sociale, mode = 'in')
V(grafo_rete_sociale)$grado_out = degree(grafo_rete_sociale, mode = 'out')

grafo_5 = delete_vertices(grafo_rete_sociale,  which(degree(grafo_rete_sociale) < 5))

rm(rete_sociale, nomi)
```

```{r mostra rete sociale delle menzioni multiple}
ggraph(grafo_5, layout = "stress") + 
  geom_edge_link(aes(alpha = weight,
                     start_cap = label_rect(node1.name), 
                     end_cap = label_rect(node2.name),
                     color = node1.name,
                     filter = ! node2.name %in% politici),
                 arrow = arrow(type = "closed", length = unit(2, 'mm'))) +
  geom_node_point(colour = "black") +
  geom_node_text(aes(label = name), repel=TRUE) +
  theme_graph(base_family = "")

rm(grafo_5, grafo_rete_sociale, matrice_adiacenza, matrice_adiacenze_rete_sociale, nomi_menzionati)
```

Se si osserva nei vertici esterni del grafo a stella si possono osservare tutti i politici che vengono citati almeno una volta da ogni utente preso in esame.
C'è però una discrepanza con la realtà, infatti Narendra Modi risulta essere si un politico di origine indiana, ma la data di fine mandato è segnata essere il 2014, ben prima della prima data presa in esame.

Si va così a esaminare il testo di un messaggio avente lui come menzione.

```{r caso Nerandra Modi}
tweet_per_politico$`Matteo Salvini` %>%
  unnest(data.context_annotations) %>%
  unnest(c('entity','domain'), names_sep = '.') %>%
  filter(domain.name == 'Politician' & entity.name == 'Narendra Modi') %>%
  select(data.text) %>%
  print()
```

Si vede subito come è vero che Modi compare nel messaggio, ma come al solito il messaggio va contestualizzato e la parola modi non si riferiva affatto al politico.
Questo insegna che i dati non vanno sempre presi così come vengono, ma vanno interpretati.

## Sentiment Analysis sui tweet per capire quali siano relazioni di amicizia e quali di animosità lavorativa

Per fare questo mi sono servito della libreria **TextWiller** trovabile su [GitHub](https://github.com/livioivil/TextWiller).
Nel nostro caso si farà uso della funzione **sentiment** che ritorna:

- +1 se la frase esprime un sentimento positivo
- 0 se la frase non esprime alcun sentimento in particolare
- -1 se la frase esprime un sentimento negativo

A questo punto sarà possibile poi sommare tutti i punteggi e standardizzarli in un range tra [-1; +1] per poter trovare il tipo di relazione tra politici.
Una relazione di tipo +1 rappresente un'amicizia lavorativa, al contrario -1 l'opposto.

```{r calcolo sentiment analysis}
i= 1
sentimenti = c()

for (tweet in tweet_per_politico) {
  sentimenti[[ politici[[i]] ]] = tweet %>%
    unnest(data.context_annotations) %>%
    unnest(c('entity','domain'), names_sep = '.') %>%
    filter(domain.name == 'Politician') %>%
    anti_join(data.frame(entity.name = c('Dell', politici[[i]] )), by = 'entity.name') %>%
    mutate(sentimento = sentiment(data.text))
    
  i = i+1
}

rm(i)
```

```{r mostra sentiment analysis}
i= 1
sentimenti_standard = c()

for (tweet in sentimenti) {
  sentimenti_standard[[ politici[[i]] ]] = tweet %>%
    group_by(entity.name) %>%
    summarise(relazione = sum(sentimento))
  
  max = max(sentimenti_standard[[ politici[[i]] ]]$relazione)
  min = min(sentimenti_standard[[ politici[[i]] ]]$relazione)
  
  sentimenti_standard[[ politici[[i]] ]] = sentimenti_standard[[ politici[[i]] ]] %>%
    mutate(relazione_standard = (( (relazione - min) / (max - min) - 0.5 ) * 2 ) ) %>%
    arrange(desc(relazione_standard))
    
  i = i+1
}

i= 1

for (tweet in sentimenti_standard) {
  if(i == 1) {
    sentimenti_globali = tweet
  } else {
    sentimenti_globali = rbind(sentimenti_globali, tweet)
  }
  
  i = i+1
}

sentimenti_globali = sentimenti_globali %>%
  group_by(entity.name) %>%
  summarise(sentimento_globale = sum(relazione_standard) / 5  ) 

ultimi_5 = sentimenti_globali %>%
  arrange(sentimento_globale) %>%
  slice(1:5)

ultimi_5 = ggplot(ultimi_5,
       aes(x = reorder(entity.name, sentimento_globale), y = - sentimento_globale)) +
  ggtitle("Politici con più animosità") +
  geom_col() +
  labs(x = "Politici",
       y = "Animosità") +
  theme_minimal()

ggplotly(ultimi_5)

primi_5 = sentimenti_globali %>%
  arrange(desc(sentimento_globale)) %>%
  slice(1:5)

primi_5 = ggplot(primi_5, aes(x = reorder(entity.name, -sentimento_globale), y = sentimento_globale )) +
  ggtitle("Politici che generano più simpatia") +
  geom_col() +
  labs(x = "Politici", y = "Simpatia") +
  theme_minimal()

ggplotly(primi_5)

rm(i, max, min, sentimenti_globali, sentimenti_standard, sentimenti, vocabolariMadda, itastopwords, tweet, primi_5, ultimi_5)
```

La prima tabella rappresenta i 5 politici con cui queste 5 persone presi in esame hanno dei rapporti lavorativi d'animosità.
Invece, la seconda tabella riporta i 5 politici per i quali hanno mediamente speso buone parole.

Si può vedere come **Giuseppe Conte** e **Laura Boldrini** siano i politici italiani con cui questi 5 utenti hanno maggiore affinità.
D'altro canto si può osservare come 3 delle 5 persone prese in esame siano finiti nella classifica per animosità. L'unico escluso da ambo le classifiche sembra essere **Luigi di Maio**.

## Possibili idee per uno sviluppo

Un possibile svolgimento futuro potrebbe essere il poter iterare quest'analisi nel corso degli anni, per fare ciò sarebbe necessario ottenere la modalità Ricerca Accademica di Twitter