Essayez de dessiner un graphe social à l'aide de l'API Twitter v2

Chose que tu veux faire

1. Je veux vérifier si je peux dessiner un graphique ← ici --Je veux faire un graphe social des relations sur Twitter ――Je souhaite ajuster la proximité de la distance et l'épaisseur de la ligne en fonction de la force de la relation. ――Je veux observer le processus de formation des grappes

Qu'est-ce que l'API Twitter

API qui peut obtenir des données sur Twitter

Pour plus d'informations,

• À propos de l'API Twitter
• Document officiel

Pour la méthode d'acquisition de l'API, reportez-vous au Résumé des procédures de l'enregistrement de l'API Twitter (méthode de demande de compte) à l'approbation

Graphique social

Social graph - Wikipedia The social graph is a graph that represents social relations between entities. In short, it is a model or representation of a social network, where the word graph has been taken from graph theory.

Un graphique montrant la relation sociale entre les objets (= nœuds). Exprimez l'amitié avec une ligne (= bord).

Sujet principal

Préparation

L'acquisition d'API est omise

Importation de bibliothèque

import json
import random
import pandas as pd
import matplotlib.pyplot as plt
from requests_oauthlib import OAuth1Session
import emoji
import networkx as nx

Stocker le jeton dans la variable

CK = '***************************'
CS = '***************************'
AT = '***************************'
ATS ='***************************'

Définition des fonctions

def get_twitter_session():
    return OAuth1Session(CK, CS, AT, ATS)

Décidez de ce que vous voulez dessiner

user_list = ['himemoriluna','tokoyamitowa', 'amanekanatach','tsunomakiwatame','kiryucoco']

Créer un dictionnaire simple pour le dessin

user_id_list = []
user_name_list = []
for user_screenname_t in user_list:
    ENDPOINT = 'https://api.twitter.com/1.1/users/show.json'
    SEARCH_WORD_SCREENNAME = user_screenname # twitter_ID

    twitter = get_twitter_session()
    params = {'screen_name': SEARCH_WORD_SCREENNAME}
    req = twitter.get(ENDPOINT, params=params)
    req_json = json.loads(req.text)
    user_id_list += [req_json['id']]
    user_name_list += [req_json['name']]


target_id_dict = {}
for i in range(0,5):
    target_id_dict[user_id_list[i]] = user_list[i]

# {1200396798281445376: 'himemoriluna',
#  1200357161747939328: 'tokoyamitowa',
#  1200396304360206337: 'amanekanatach',
#  1200397643479805957: 'tsunomakiwatame',
#  1200397238788247552: 'kiryucoco'}

target_name_dict = {}
for i in range(0,5):
    target_name_dict[user_list[i]] = user_name_list[i]

# {'himemoriluna': 'Himemori Luna',
#  'tokoyamitowa': 'Towa éternel',
#  'amanekanatach': 'Kanata Amane',
#  'tsunomakiwatame': 'Pour enroulement carré',
#  'kiryucoco': 'Kiryu Coco'}

Obtenez des données

ʻObtenir l'utilisateur que l'utilisateur spécifié par user_list` suit et conserver le résultat dans le type de dictionnaire.

follow_ids_dict = {}
for user_id in user_id_list:
    ENDPOINT = 'https://api.twitter.com/1.1/friends/ids.json'
    SEARCH_WORD_ID = user_id

    twitter = get_twitter_session()
    params = {'screen_name': SEARCH_WORD_SCREENNAME}
    req = twitter.get(ENDPOINT, params=params)

    #Obtenez jusqu'à 5000 informations de suivi
    follow_ids = json.loads(req.text)
    follow_ids_dict[user_id] = follow_ids['ids']

Créer un dictionnaire pour contenir les noms d'utilisateurs

follow_name_dict = {}
follow_screenname_dict = {}
for user_id in follow_ids_dict.keys():
    follow_name_list = []
    follow_screenname_list = []
    for user_id_nt in follow_ids_dict[user_id]:
        ENDPOINT = endpoint['user']
        SEARCH_WORD_ID = user_id_nt

        twitter = get_twitter_session()
        params = {'user_id': SEARCH_WORD_ID}
        req = twitter.get(ENDPOINT, params=params)

        req_json = json.loads(req.text)

        follow_name_list += [req_json['name']]
        follow_screenname_list += [req_json["screen_name"]]

    follow_name_dict[target_name_dict[user_id]] = follow_name_list
    follow_screenname_dict[target_name_dict[user_id]] = follow_screenname_list

Création de DataFrame

Cette fois, nous allons visualiser un graphe dans lequel les branches sont orientées (branches dirigées) et les branches sont pondérées.

(C'est gênant si le pictogramme est affiché au passage, alors supprimez-le)

def remove_emoji(str_):
    return ''.join(c for c in str_ if c not in emoji.UNICODE_EMOJI)

#Sélectionnez l'un des éléments suivants
# use_dict = follow_ids_dict #Visualisez avec un ID interne
# use_dict = follow_screenname_dict #Identifiant d'utilisateur(@xxxx)Visualisez avec
use_dict = follow_name_dict #Visualiser par nom d'utilisateur

Row_From = [] #point de départ
Row_To = [] #point final

for i in use_dict.keys():
    for j in follow_name_dict[i]:
        Row_From += [remove_emoji(target_name_dict[i])]
        Row_To += [remove_emoji(j)]

result = pd.DataFrame(
    data={'From':Row_From, 'To':Row_To},
    columns=['From', 'To'])

result.head()

Puisque le but de ce temps est une expérience de visualisation, le poids de la branche est décidé de manière appropriée avec un nombre aléatoire.

def return_randint(num):
    return random.randrange(1, 10000)/1000000000

result['WC'] = 0
result['WC'] = result['WC'].apply(return_randint)
network = result

Visualisation

La valeur par défaut font_family ne peut afficher que des caractères alphanumériques. Précisez parce que vous souhaitez afficher le japonais.

network_np = network.values
G = nx.DiGraph()
G.add_weighted_edges_from(network_np)

weighted_edges = []
for i in range(len(network)):
    weighted_edges += [list(network.iloc[i])]

G_practice = nx.DiGraph()

G_practice.add_weighted_edges_from(weighted_edges)
pos=nx.spring_layout(G)

fig = plt.figure(figsize=(40, 40), dpi=100,facecolor='w', linewidth=0, edgecolor='w')
nx.draw_networkx(G_practice,pos,font_size=16,font_family='IPAexGothic')
fig.show()

↑ j'ai pu dessiner quelque chose comme ça ('ω')

Perspectives d'avenir

Cette fois, le graphique des relations sociales a été réalisé à partir des informations de suivi sur Tiwtter. À l'avenir, nous rechercherons des variables qui peuvent décrire les relations avec plus de précision et, sur cette base, nous ajusterons les poids des branches et les découperons.

référence

• Social graph - Wikipedia
• Twitter Standard API Endpoints
• [Analyse de réseau facile avec Python networkx](https://deepblue-ts.co.jp/python/python%E3%81%AEnetworkx%E3%81%A7%E7%B0%A1%E5%8D% 98% E3% 81% AB% E3% 83% 8D% E3% 83% 83% E3% 83% 88% E3% 83% AF% E3% 83% BC% E3% 82% AF% E5% 88% 86% E6% 9E% 90 /)
• Résolution des caractères japonais brouillés dans matplotlib et NetworkX dans la bibliothèque Python