我的第一个微信好友数据分析

Posted 2021-12-24 moyulin

本次我们利用python来分析一下我们微信的好友数据

首先安装7个依赖库

• 1、Pillow

PIL：Python Imaging Library，已经是Python平台事实上的图像处理标准库了。PIL功能非常强大，但API却非常简单易用。

由于PIL仅支持到Python 2.7，加上年久失修，于是一群志愿者在PIL的基础上创建了兼容的版本，名字叫Pillow，支持最新Python 3.x，又加入了许多新特性，因此，我们可以直接安装使用Pillow，如果有annaconda，则直接使用即可，如无，须在命令行中安装：

pip install pillow

如果遇到Permission denied安装失败，请加上sudo重试。

• 2、Pyecharts

是一个用于生成 Echarts 图表的类库。Echarts 是百度开源的一个数据可视化 JS 库。用 Echarts 生成的图可视化效果非常棒，pyecharts 是为了与 Python 进行对接，方便在 Python 中直接使用数据生成图。使用pyecharts可以生成独立的网页，也可以在flask、django中集成使用。

可在命令行通过pip安装：

pip install pyecharts 

• 3、Itchat

itchat 是一个开源的微信个人号接口，使用 python 调用微信从未如此简单。

可在在命令行通过pip安装：

pip install itchat

• 4、Jieba

Jieba库是一款优秀的 Python 第三方中文分词库，jieba 支持三种分词模式：精确模式、全模式和搜索引擎模式，下面是三种模式的特点。

精确模式：试图将语句最精确的切分，不存在冗余数据，适合做文本分析

全模式：将语句中所有可能是词的词语都切分出来，速度很快，但是存在冗余数据

搜索引擎模式：在精确模式的基础上，对长词再次进行切分

可在在命令行通过pip安装：

pip install jieba

• 5、Numpy

NumPy 是一个 Python 的第三方库，代表 “Numeric Python”，主要用于数学/科学计算。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。

使用 Numpy 我们可以轻松进行如下等计算：

• 数组的算数和逻辑运算。
• 傅立叶变换和用于图形操作的例程。
• 与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。

可在在命令行通过pip安装：

pip install Numpy

• 6、Pandas

Pandas 是基于 NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas 提

供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使 Python 成为强大而高效的数据分析环境的重要因素之一。

可在在命令行通过pip安装：

pip install Pandas

• 7、wxpy

wxpy 在 itchat 的基础上，通过大量接口优化提升了模块的易用性，并进行丰富的功能扩展。

可在在命令行通过pip安装：

pip install wxpy

• 8、安装地图数据包：

pip install echarts-china-provinces-pypkg
pip install echarts-countries-pypkg

 

 

在安装成功这几个库后，我们正式开始微信好友分析

步骤如下：

1.登陆微信网页版

from wxpy import *
bot = Bot(cache_path=True)#初始化机器人，选择缓存模式（扫码）登录
friend_all = bot.friends()#获取我的所有微信好友信息

如图，运行后可得到一个二维码，用手机微信扫一扫登陆即可

2.为了获取好友信息中需要的部分，我们对信息需要进行处理。从上面的获取信息全字段来看，我们获取的每位好友的信息都是一个字典，字典里只有‘City‘、‘Province‘、‘Signature‘、
‘NickName‘、‘HeadImgUrl‘、‘Sex‘是我们需要的。下面我们就对这几个 key 进行提取。

lis=[] #创建一个空列表
for a_friend in friend_all:
    NickName = a_friend.raw.get(‘NickName‘,None)
    #Sex = a_friend.raw.get(‘Sex‘,None)
    Sex =1:"男",2:"女",0:"其它".get(a_friend.raw.get(‘Sex‘,None),None)
    City = a_friend.raw.get(‘City‘,None)
    Province = a_friend.raw.get(‘Province‘,None)
    Signature = a_friend.raw.get(‘Signature‘,None)
    HeadImgUrl = a_friend.raw.get(‘HeadImgUrl‘,None)
    HeadImgFlag = a_friend.raw.get(‘HeadImgFlag‘,None)
    list_0=[NickName,Sex,City,Province,Signature,HeadImgUrl,HeadImgFlag]
    lis.append(list_0)

将其导入excel

def lis2e07(filename,lis):
    import openpyxl
    wb = openpyxl.Workbook()
    sheet = wb.active
    sheet.title = ‘list2excel07‘
    file_name = filename +‘.xlsx‘
    title = []
    title_2 = [NickName,Sex,City,Province,Signature,HeadImgUrl,HeadImgFlag]
    
    title.append(title_2)
    for i in range(len(lis)):
        for j in range(len(lis[i])):
            sheet.cell(row=i+1, column=j+1, value=str(lis[i][j]))
    wb.save(file_name)
    print("写入数据成功")
lis2e07(‘C:\\\\Users\\\\moyulin\\\\Desktop\\\\aini‘,lis

运行excel可得这样一个列表

 

 接下来我们对好友数据进行简单分析

Friends = bot.friends()
data = Friends.stats_text(total=True, sex=True,top_provinces=30, top_cities=500)
print(data)

运行后，如图

 

 

然后将好友所在的城市用词云图显示：

from pandas import read_excel
df = read_excel(‘C:\\\\Users\\\\moyulin\\\\Desktop\\\\aini.xlsx‘,sheet_name=‘list2excel07‘)
df[‘City‘].count()
df[‘City‘].describe()
from wordcloud import WordCloud 
import matplotlib.pyplot as plt 
word_list= df[‘City‘].fillna(‘‘).tolist()
new_text = ‘ ‘.join(word_list)
wordcloud = WordCloud(font_path=‘simhei.ttf‘, background_color="black").generate(new_text)
plt.imshow(wordcloud)
plt.axis("off")
plt.show()

得出如下结果

 

 最后生成微信好友在地图上的分布图

import pandas as pd
province_list = df[‘Province‘].fillna(‘‘).tolist()
count_province = pd.value_counts(province_list)
for i in range(len(province_list)):
    province_list[i]+=‘省‘
from pyecharts import Map
value = count_province.tolist()
attr = count_province.index.tolist()
map = Map("分布",width=1200,height=600)
map.add("",attr,value,maptype=‘china‘,is_bisualmap=True,visual_test_color=‘#000‘,is_label_show=True)
map.show_config()
map.render(‘map2.html‘)

运行html文件可得

鼠标点过去即可得到所在区域的人数~

今天的分享到此为止，下次再见啦~