一个脚本打比赛之SMP WEIBO 2016

## 一个脚本打比赛之SMP WEIBO 2016 ##前言：如何对用户进行精准画像是社交网络分析的基础问题。本文就如何对weibo用户网络提取特征发表一点小的想法，还请尽管拍砖。数据来源：SMP WEIBO 2016任务目标：分析用户关联关系与用户发帖内容，通过无监督与有监督方法对用户进行聚类。———-第一部分：筛选source，即判定用户发表的内容是否是垃圾信息。

import matplotlib.pyplot as pltimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dimport pandas as pdimport numpy as npfrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.decomposition import LatentDirichletAllocationfrom time import time%matplotlib inline

训练数据字段含义：uid: 用户唯一标识，由数字组成retweet count: 转发数，数字review count: 评论数，数字source: 来源，文本time: 创建时间，时间戳文本(目前有两种格式，yyyy-MM-dd HH:mm:ss和yyyy-MM-dd HH:mm)content: 文本内容（可能包含@信息、表情符信息等）

with open('train/train/train_status.txt','r') as f:    lines = f.readlines()status=[]for line in lines:    status.append(line.strip().split(','))tr_status = pd.DataFrame(status).loc[:,:5]tr_status.columns=['uid','retweet','review','source','time','content']tr_status.to_csv('train_status.csv',index=False)display(tr_status.head())with open('valid/valid_status.txt','r') as f:    lines = f.readlines()status=[]for line in lines:    status.append(line.strip().split(','))v_status = pd.DataFrame(status).loc[:,:5]v_status.columns=['uid','retweet','review','source','time','content']v_status.to_csv('valid_status.csv',index=False)display(v_status.head())

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; } uid retweet review source time content 0 1103763581 0 0 Arduino中文社区 2016-01-07 13:14 我 用 微博 在 Arduino 中文 社区 上 登录 啦 ！ Arduino 中文 社区 … 1 1103763581 0 2 荣耀6 Plus 2015-11-10 09:13:35 很 长 时间 没有 上 微博 看看 了 ， 估计 都 快 被 忘记 了 吧 ！ 无锡·新安 … 2 1103763581 0 0 荣耀6 Plus 2015-07-26 20:07:57 # 农村 现状 # 20 年 前 还是 个 小孩 ， 一 到 瓜果 成熟 的 季节 ， 三五… 3 1103763581 0 0 荣耀6 Plus 2015-06-22 18:39:47 我 分享 了 @环球时报 的 文章 社评 ： 法国 出租 与 专车 司机 冲突 的 启示 4 1103763581 0 6 荣耀6 Plus 2015-06-10 07:37:22 好久 没 上 微博 了 ， 不 知道 大家 还 记得 我 不 ？ 梁家巷 显示 地图

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; } uid retweet review source time content 0 1753249671 0 0 iPhone客户端 2016-05-06 10:01 扑通 扑通 我 的 心跳 ！ 久久 不 能 平 …… 深 呼吸 、 深 呼吸 、 深 呼吸 ！ 1 1753249671 0 0 iPhone客户端 2016-04-15 01:19 失眠 的 夜晚 ， 夜 慢慢 慢慢 原 图 2 1753249671 0 0 iPhone客户端 2016-03-29 19:15 贱人 就 是 矫情 、 奇葩 朵朵 开 的 一 天 极品 领导 同事 ， 人生 不 如意 之… 3 1753249671 0 0 iPhone客户端 2016-01-25 22:53 # 买家 反馈 语录 # 来自 小伙伴 们 对 牛板筋 的 好评 ， 还 在 等待 观望 的… 4 1753249671 0 0 iPhone客户端 2016-01-06 19:51 童言无忌 ： 朋友 女儿 今年 小学 三 年级 ， 看到 她 妈妈 朋友圈 里 我 发 的 …

已标注用户字段含义：
uid: 用户唯一标识，由数字组成

gender: 用户性别，m代表男性，f代表女性，None代表此项信息缺失

birthday: 用户出生年份，None代表此项信息缺失

location: 用户地域，部分用户包含省份和城市信息，部分用户只有省份信息，None代表此项信息缺失

with open('train/train/train_labels.txt','r') as f:    labels = f.readlines()

labels[0]

‘1832205887||m||1990||四川 None\n’

userHasLabel = [x.split("||")[0].strip() for x in lines]

import pandas as pdt_labels = pd.read_csv('train/train/train_labels.txt',sep="\\|\\|",header=None)t_labels.columns = ['uid','gender','birthday','location']v_labels = pd.read_csv('valid/valid_labels.txt',sep="\\|\\|",header=None)v_labels.columns = ['uid','gender','birthday','location']print(t_labels.head())print(v_labels.head())labeled_nodes = pd.concat([t_labels,v_labels])labeled_nodes.to_csv('labeled_nodes.csv',index=False,encoding='gbk')

uid gender birthday location 0 1832205887 m 1990 四川 None 1 1737245804 m 1982 吉林 长春 2 2157991124 m 1976 四川 成都 3 2758890931 f 1983 黑龙江 哈尔滨 4 1802646764 m 1981 湖南 长沙 uid gender birthday location 0 1743152063 m 1984 广东 广州 1 1073390982 m 1983 北京 朝阳区 2 2137599524 m 1990 湖北 黄石 3 2279196033 f 1987 江苏 南京 4 1039584863 m 1985 广东 深圳 /home/ll/miniconda3/lib/python3.5/site-packages/ipykernel_launcher.py:2: ParserWarning: Falling back to the ‘python’ engine because the ‘c’ engine does not support regex separators (separators > 1 char and different from ‘\s+’ are interpreted as regex); you can avoid this warning by specifying engine=’python’. /home/ll/miniconda3/lib/python3.5/site-packages/ipykernel_launcher.py:5: ParserWarning: Falling back to the ‘python’ engine because the ‘c’ engine does not support regex separators (separators > 1 char and different from ‘\s+’ are interpreted as regex); you can avoid this warning by specifying engine=’python’. “””

df = pd.concat([tr_status,v_status])df.loc[:,'uid'] = df['uid'].astype(int)df = df.merge(labeled_nodes)display(df.head(10))display(df.shape)

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; } uid retweet review source time content gender birthday location 0 1103763581 0 0 Arduino中文社区 2016-01-07 13:14 我 用 微博 在 Arduino 中文 社区 上 登录 啦 ！ Arduino 中文 社区 … m 1986 四川 成都 1 1103763581 0 2 荣耀6 Plus 2015-11-10 09:13:35 很 长 时间 没有 上 微博 看看 了 ， 估计 都 快 被 忘记 了 吧 ！ 无锡·新安 … m 1986 四川 成都 2 1103763581 0 0 荣耀6 Plus 2015-07-26 20:07:57 # 农村 现状 # 20 年 前 还是 个 小孩 ， 一 到 瓜果 成熟 的 季节 ， 三五… m 1986 四川 成都 3 1103763581 0 0 荣耀6 Plus 2015-06-22 18:39:47 我 分享 了 @环球时报 的 文章 社评 ： 法国 出租 与 专车 司机 冲突 的 启示 m 1986 四川 成都 4 1103763581 0 6 荣耀6 Plus 2015-06-10 07:37:22 好久 没 上 微博 了 ， 不 知道 大家 还 记得 我 不 ？ 梁家巷 显示 地图 m 1986 四川 成都 5 1103763581 0 0 世界3D打印 2015-06-05 08:08:00 【 太尔 时代 助力 “ 太空 制造 ” ， 挑战 微重力 环境 下 3D 打印 】 【 分… m 1986 四川 成都 6 1103763581 0 0 荣耀6 Plus 2015-05-27 21:29:57 愤怒 的 小鸟 存 钱 [ 钱 ] 罐 http://t.cn/z8dS7zS 显示 地… m 1986 四川 成都 7 1103763581 3 1 荣耀6 Plus 2015-05-22 08:45:56 成都 科技 爱好者 的 盛宴 。太尔 时代 UP 系列 机器 将 在 两 场 活动 中 展出… m 1986 四川 成都 8 1103763581 0 0 荣耀6 Plus 2015-05-05 19:10:32 最近 身体 不适 ， 准备 适当 休整 。 如 工作 事宜 请 拨打 办公 电话 028-6… m 1986 四川 成都 9 1103763581 0 0 百度分享 2015-04-30 10:43:52 3D 打印机 公司 太尔 时代 上 榜福布斯 中国 潜力 企业 100 强 -3D 打印 资… m 1986 四川 成都

(331634, 9)

labeled_id = list(t_labels['uid']) + list(v_labels['uid'])

print(len(labeled_id),len(set(labeled_id)))

4467 4467从第二个用户到最后一个用户均为第一个用户的粉丝筛选出链接中给出的用户。@output : nodelist

with open('train/train/train_links.txt','r') as f:    t_links = f.readlines()with open('valid/valid_links.txt','r') as f:    v_links = f.readlines()with open('test/test/test_links.txt','r') as f:    te_links = f.readlines()

linklist=[]for link in t_links:    linklist += [str(x) for x in link.strip().split(' ')]for link in v_links:    linklist += [str(x) for x in link.strip().split(' ')]for link in te_links:    linklist += [str(x) for x in link.strip().split(' ')]

print(len(linklist))print(len(set(linklist)))

721388 308787

nodelist = []for node in labeled_id:    try:        linklist.index(str(node))        nodelist.append(node)    except Exception as e:        #print(node)        passprint(len(nodelist))

2476

df = df.set_index('uid').loc[nodelist,:]display(df.shape)df.to_csv('labeled_linked_fulltable.csv')

(191119, 8)至此，将可以筛选的Node筛选出来，具有标签与网络中存在的节点

display(df.shape)import re patt = re.compile('努比亚')res = filter(patt.match, list(df['source'].drop_duplicates()))list(res)# re.findall(patt,list(df['source'].drop_duplicates()))# list(df['source'].drop_duplicates()).index('努比亚Android')

(191119, 9) [‘努比亚智能手机’]

import pandas as pd#df= pd.read_csv('labeled_linked_fulltable.csv')df1 = df[['source','location']]df1.loc[:,'count'] = 1diffcount = df1.groupby('source')[['location']].apply(lambda x : x.location.drop_duplicates().count()).to_frame('diff')count = df1.groupby('source')[['location']].apply(lambda x : x.location.count()).to_frame('count')source = diffcount.join(count)display(source.head())

/home/ll/miniconda3/lib/python3.5/site-packages/pandas/core/indexing.py:337: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy self.obj[key] = _infer_fill_value(value) /home/ll/miniconda3/lib/python3.5/site-packages/pandas/core/indexing.py:517: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy self.obj[item] = s

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; } diff count source 努比亚Android 1 1 0519微趣测试 1 3 0元赢荣耀畅玩5C 2 2 100+V6手机 3 8 100+个性定制手机 1 2

plt.subplot(211)source.sort_values('count',ascending=False).head(100)['count'].plot(kind='line',figsize=(30,10),title='count long tail distribution' )plt.subplot(212)source.sort_values('count',ascending=False).head(100)['diff'].plot(kind='line',figsize=(30,10))

def hebing(group):#     display(list(group.content.values))    return ' '.join([str(x) for x in list(group.content.values)])content_merge = df.groupby('source')[['content']].apply(hebing).to_frame('content')#是否过滤，查看主题变化content_merge = content_merge.join(source,how='left').reset_index()#content_merge = content_merge.join(source)[content_merge['count']>10]display(content_merge.head())tokenizer = lambda s:s.split(' ')tfv = TfidfVectorizer(tokenizer=tokenizer)data = tfv.fit_transform(content_merge.content)#词频统计 #max_df=1, min_df=1tfc = CountVectorizer(max_features=10000,tokenizer=tokenizer)tf = tfc.fit_transform(content_merge)

.dataframe thead tr:only-child th { text-align: right; } .dataframe thead th { text-align: left; } .dataframe tbody tr th { vertical-align: top; } source content diff count 0 努比亚Android # 苏宁 入股 努比亚 # 我 用 的 就 是 努比亚祝 努比亚能 越 办 越 好 越 办 … 1 1 1 0519微趣测试 / 偷笑 OMG ， 原来 有 209 人 暗恋 着 我 ， 太 不可思议 了 ！ 快来 看… 1 3 2 0元赢荣耀畅玩5C 免费 狂 抽 55 台 # 荣耀 畅 玩 5C # ？ ！ 有 这 好事 还 不 让 微博 … 2 2 3 100+V6手机 牛刀 说 的 有点 道理 ， 不过 现在 很多 放 高利贷 的 ， 特别 是 县城 或者 是… 3 8 4 100+个性定制手机 新版 微博 客户端 ， 好听 ， 好看 ， 更 好 玩 ！ 自 定义 个人 封面 ； 音 、… 1 2

import picklewith open('tfidf_vec.pkl','wb') as f:    pickle.dump(data,f)

from time import timeimport picklewith open('tfidf_vec.pkl','rb') as f:    data = pickle.load(f)#print(data[0])print('维度约减，自动约减到合适的维度')print('提取重要特征')from sklearn.decomposition import NMF, LatentDirichletAllocationt0 = time()n_components = 2nmf = NMF(n_components=2).fit(data)print("done in %0.3fs." % (time() - t0))

维度约减，自动约减到合适的维度提取重要特征done in 1.477s.

with open('nmf_model.pkl','wb') as f:    pickle.dump(nmf,f)print(nmf.reconstruction_err_)topic = nmf.transform(data)print(topic)# if topic.shape[1] ==2 :#     plt.figure(figsize=(30,30))#     plt.scatter(x=topic[:,0],y=topic[:,1],c=content_merge['count'])

57.0115343243[[ 0.02043113  0.        ] [ 0.09281784  0.        ] [ 0.03913675  0.        ] ...,  [ 0.05743546  0.03386496] [ 0.07525523  0.        ] [ 0.01523509  0.        ]]

from sklearn.mixture import GaussianMixturegmm = GaussianMixture(n_components=2)gmm.fit(topic)pred = gmm.predict(topic)content_merge.loc[:,'pred'] = predfrom sklearn.cluster import KMeanskm = KMeans(n_clusters=3)km.fit(data)pred = km.predict(data)content_merge.loc[:,'pred'] = pred

label = ['荣耀6 Plus','iPhone客户端','虾米音乐移动版','爱相机','华住酒店App','分享按钮']label = content_merge[content_merge.pred==0].head(100).source#中文字体显示  import matplotlibzhfont = matplotlib.font_manager.FontProperties(fname='/home/ll/.fonts/NotoSansMonoCJKsc-Regular.otf')# plt.rcParams['font.sans-serif'] = ['Source Han Sans TW', 'sans-serif']# plt.rc('font', family='Noto Sans Mono CJK SC', size=13)plt.figure(figsize=(20,20))plt.scatter(x=topic[:,0],y=topic[:,1],c=pred)for l in label:    pindex = content_merge[content_merge['source']==l].index    plt.annotate(l,xy=(topic[pindex,0],topic[pindex,1]),fontproperties=zhfont)

/home/ll/miniconda3/lib/python3.5/site-packages/matplotlib/font_manager.py:1297: UserWarning: findfont: Font family ['Noto Sans Mono CJK SC'] not found. Falling back to DejaVu Sans  (prop.get_family(), self.defaultFamily[fontext]))

说明：图中标注的数据是使用KMEANS算法进行聚类得到的，KMEANS算法使用相似度作为衡量指标，可以看到聚类为0的cluster是用户使用的各种手机平台，包括iphone,huawei等等。
结论：使用TFIDF作为source筛选指标，可以由图看出是较管用的。