【Python】Word Cloud を使ってツイート内容を分析｜工場勤務Pythonプログラマーの日常

どうもこんにちは。
工場では全くSNSの話題を出さないコンです。

みなさんは Word Cloud(ワードクラウド）ってご存知でしょうか？？
これは文章や大量の語句の中から頻出語を頻度に比例する大きさで(多分)雲のように並べたものです。

下記みたいなものが一例です。

https://amueller.github.io/word_cloud/index.htmlより引用

このように頻出単語を可視化できるようになると
twitterのトレンドの把握が直感的にできるようになります。

今日はPythonを使ってTwitterのツイート情報を集めてwordcloudを作成していきます。

ライブラリーの準備
特定のキーワードに関するワードクラウドを作成するコード
出力結果
Mecabを用いた形態素解析
おわりに

ライブラリーの準備

いくつかのライブラリを使用するので、先にpipでインストールしておきます。
今回は主に4つのライブラリです。

tweepy(ツイートの取得)

pip install tweepy

MeCab(テキスト分析)

pip install mecab
pip install unidic

WordCloud(ワードクラウドの作成)

pip install wordcloud

これでライブラリの準備は完了です。

特定のキーワードに関するワードクラウドを作成するコード

早速ですがコードを紹介いたします。

今回は本日たまたま日本のプロ野球で完全試合を達成した「佐々木郎希」選手に関するワードクラウドを作成しました。

import tweepy
from enum import IntEnum
import MeCab
import matplotlib.pyplot as plt
from wordcloud import WordCloud
 

class QUERY_KIND:
    user = 0
    keyword = 1

def get_tweet(keyword, query_kind):
    """
    ツイートを取得する
    keyword:検索するキーワード
    query_kind:検索する種類()
    """
    # TwitterAPIを記入する
    consumer_key = 'hogehoge'
    consumer_secret = 'hogehoge'
    access_token_key = 'hogehoge'
    access_token_secret = 'hogehoge'
 
    #認証
    auth = tweepy.OAuthHandler(consumer_key, consumer_secret)
    auth.set_access_token(access_token_key, access_token_secret)
    api = tweepy.API(auth, wait_on_rate_limit = True)
 
    if query_kind == QUERY_KIND.user:
        # userのツイートを取得する
        tweets = api.user_timeline(count=1000, page=1)
    elif query_kind == QUERY_KIND.keyword:
        # 特定のキーワードのツイートを取得
        tweets = api.search_tweets(q=keyword, count=1000,tweet_mode='extended')
    else:
        # エラー
        tweets = []
    
    return tweets


 
def tweets_analyze(tweets, file_name, background_color, color_type):
    """
    ツイートの内容を分析する
    tweets:取得したツイート
    file_name:保存するファイル名
    background_color:word cloudの背景色
    color_type:word cloudの出力色
    """
    #Mecabを使用して、形態素解析
    mecab = MeCab.Tagger()
 
    # 単語を入れる用
    words = []
 
    for tweet in tweets:
        #tweetを分析
        node = mecab.parseToNode(tweet)
        
        # ツイート内容が終了するまで
        while node:
            word_type = node.feature.split(",")[0]
 
            # "名詞", "動詞", "形容詞", "副詞"の中で選択したものを抽出
            if word_type in ["名詞", "動詞", "形容詞", "副詞"]:
                words.append(node.surface)
            node = node.next
 
    # テキストを連結
    txts = " ".join(words)
 
    #wordcloudで出力するフォントを指定(日本語を出力できるフォントを選択)
    font_path = "/Library/Fonts//Arial Unicode.ttf"
 
    
    # 特定のワードは入らないように設定
    stop_words = ['佐々木', '朗希', '千葉', 'ロッテ', 'マリーンズ', 'https','RT','や', 'し'
     'や', 'co', 't', '千葉ロッテマリーンズ', '朗', '希', 'ノーヒット', 'ノーヒットノーラン']
 
    # WordCloudで出力
    wordcloud = WordCloud(background_color=background_color,
                          colormap = color_type,
                          font_path=font_path, 
                          stopwords=set(stop_words),
                          width=800,
                          height=600).generate(txts)
 
    # 図を出力して保存
    fig = plt.figure(figsize=(30, 10))
    plt.imshow(wordcloud)
    plt.axis("off")
    plt.savefig(file_name,bbox_inches='tight')
    plt.show()

if __name__ == "__main__":
    
    # ツイートを取得
    keyword = '佐々木朗希'
    kind = QUERY_KIND.keyword
    tweets_all = get_tweet(keyword, kind)
    
    # ツイートを格納用
    tweets = []
    # リプを含めるかどうか
    is_replay = True
    # ツイート部分だけ格納
    for tweet in tweets_all:
        # リプを含めず分析するとき
        if is_replay:
            tweets.append(tweet.full_text)
        else:
            # @以外のツイートを取得
            if '@' not in tweet.full_text:
                tweets.append(tweet.full_text)
            
    # ツイート分析
    output_name = 'waste_investor.png'
    background = 'white'
    color_type = 'tab20'
    tweets_analyze(tweets, output_name, background, color_type)