今天我们用R语言来处理一下。首先来说一下我们会用到的知识：
（1）正则表达式
（2）中文分词
（3）词频统计
（4）文本可视化
（5）ggplot2绘图
如果你对这几地方有不懂得地方可以在文末根据 推荐阅读 点击查看相关文章。
一.数据处理
首先我们要讲QQ聊天记录导出成txt文件，至于怎么导，我相信大家都会，不会自行百度。导出来之后我们打开文件看看。
首先读入数据
root<-"C:/Users/henry wang/Documents/"
file<-paste(root,"18考研备战群.txt",sep="")
#读取数据
file.data<-scan(file,what = "",sep="\n",
encoding = "UTF-8")通过head(file.data)查看数据如下，可以看到前5行都是一些没有的信息，我们需要删掉。
file.data<-file.data[-1:-5]#删除文件开头的说明内容现在我们要通过正则表达式提取聊天记录里面的时间，用户，聊天消息。
#正则表达式解析时间time，发布人user，留言信箱,message,存储在一个data数据框中
time <- c();#时间
user <- c();#用户
message <- c();#消息
data<-data.frame(user=c(),time=c(),message=c())
for(i in 1:length(file.data))
{
reglog <- regexpr('
[0-9]{4}-[0-9]{2}-[0-9]{2} [0-9]+:[0-9]+:[0-9]+',
file.data[i])
if(reglog[1]==1)
{
time[i] <- substr(file.data[i],1,19)
user[i] <- substr(file.data[i],21,nchar(file.data[i]))
}
else
{
message[i] <- file.data[i]
}
}数据框进行合并。
#message第一行na，所以不读如第一行
data<- data.frame(
time=time,user=user,message=message[-1]
)
head(data)我们可以看到数据框中有na存在，所以接下来我们要删掉这些行。
for(i in 1:dim(data)[1])
if(is.na(data[i,1]))
{
if(is.na(data[i,2]))
{
if(is.na(data[i,3]))
{
data<- data[-i,]
}
}
}head(data)#查看删掉NA之后的数据现在我们数据处理基本完成。
二. 分析讨论话题
library(rJava)
library(Rwordseg)
library(dplyr)
text<-as.character(data$message)
text<-enc2utf8(text) #转utf-8
text<-text[Encoding(text)!='unknown']#删除无法识别的字符
#下面这几个词在分词是会被分开
insertWords(c("何凯文","泪奔","卖萌","考研"),save=TRUE)
word.message<-segmentCN(text)#分词
#删除停用词
stop_words=readLines('停词.txt')
target_words <- unlist(word.message)
seg_word=target_words[
which(is.element(target_words,stop_words)==FALSE)
]
#分词结束，现在开始统计词频
p=as.data.frame(table(unlist(seg_word)))%>%
arrange(desc(Freq))
head(p)
library(wordcloud2)
wordcloud2(p)为什么会有一个飘字。打开聊天记录我们会发现，有一个叫天天考研的管理员人用这个在刷屏。
那也许就有人会有疑问，那为什么没有过字，那是因为我们的停用词中有“过”，所以在删除停用词的时候就给删了。因此我们需要要把“飘”字删除，然后重新绘制。
seg_word=gsub(pattern="[飘]","",seg_word);
q=as.data.frame(table(unlist(seg_word)))%>%
arrange(desc(Freq))
wordcloud2(q)看来图片和表情才是大家聊天的主要方式，怪不得表情包那么火，有人要做表情包可以拉我一块做（偷笑）。
三. 讨论时间点
现在，我们来一起讨论在这个群里大家一般在几点比较活跃。直接给出代码。
user.time<-data$time
user.time<-as.character(user.time)
user.time.h<-c()
for(i in 1:length(user.time))
{
user.time.h[i]<-substr(user.time[i],12,19)
}
#下面这句是提取时分秒
user.time.h<- as.POSIXct(user.time.h,format="%H:%M:%S")
hour <- format(user.time.h,"%H") #统计出小时发言
hour <- as.data.frame(table(hour))
library(ggplot2)
ggplot(data=hour,aes(x=hour,y=Freq,group=1))+
geom_bar(stat = 'identity')+
geom_line(color="red");#折线图和条形图叠加在这里需要说明几点，如果上面substr(user.time[i],12,19)写成substr(user.time[i],12,13)在后面会出错的，因为当时间在10点到23点之间没错，但如果是0点到9点，它也会把后面的那个冒号读进去。
结果如下图：
看来大家一般在11点下午2点和晚上8点左右比较活跃。11点左右一般是快要下课了，2点左右上快要上课了，晚上8点我估计是刚刚做到图书馆准备复习吧。这些还是比较大学生的习惯。
三.分析谁是话痨
一般在任何QQ群或者讨论组里面都有几个特别活跃的人家，现在我们就来分析一下。
#统计发言频率
user.n<-as.data.frame(table(user))
user.n.20<-user.n[order(user.n[,2],decreasing=T),]
user.n.20<-user.n.20[1:20,]
ggplot(data=user.n.20,aes(x=user,y=Freq))+
geom_bar(stat='identity')+coord_flip()
#coord_flip()的作用就是讲条形图这些这样90度的旋转。
结果这这样的：
由此可知，测控技术与仪器-六花这个人可真是话痨啊。
注：由于隐私问题，所有QQ号部分都已打码。
推荐阅读☞☞☟☟☟☟
