利用QQ群進行資料探勘案例，資料來源來源於2016年12-2017年大致一個月的QQ群基本資料，通過對聊天內容的分析，瞭解QQ聊天群資料瞭解時間，人群以及關鍵詞，並構建相應圖表、雲圖等，下圖為本人所在提取的QQ群：

以下是R程式碼部分：

file.data<-scan("C:/Users/admin/Desktop/資料探勘機器學習R-hive.txt",what="",sep="\n",encoding="UTF-8")

#資料清洗

clean<-function(file.data){
data<-data.frame(user.name=c(),time=c(),text=c())
user.name=c();time=c();text=c();
for(i in 6:length(file.data))
{
 reg.time<-regexpr("[0-9]{4}-[0-9]{2}-[0-9]{2}[0-9]+:[0-9]+:[0-9]+",file.data[i])
 if(reg.time==1){#該行取到了時間資訊
 data<-rbind(data,data.frame(user.name=user.name,time=time,text=text))
 text=c("1")
 begin<-reg.time
 end<-reg.time+attr(reg.time,"match.length")-1
 time=substr(file.data[i],begin,end)
 begin=reg.time+attr(reg.time,"match.length")+1
 end<-nchar(file.data[i])
 user.name<-substr(file.data[i],begin,end)#讀取使用者名稱資訊
  }
 else{text=paste(text,file.data[i])}
  }
return(data)}
data<-clean(file.data)#資料結構化
 

#活躍度計算

d1=table(data[,1])
> d = data.frame(word = names(d1),freq = d1,stringsAsFactors = F)   ; 
> d=d[order(d[,3],decreasing=T),]

#由於測試群記錄資料量，後期效果不是很明顯。這也是大資料火的原因吧？

> dim(d1)
[1] 29
> length(data[,1])
[1] 164
#轉換資料型別
data$name<-as.character(data$user.name)
data$text<-as.character(data$text)
data$datatime<-as.POSIXlt(data$time)
#整理賬期的年、月、日、時、分、秒部分
> data <- transform(data,
+                  year = datatime$year+1900,
+                  month = datatime$mon+1,
+                  day = datatime$mday,
+                  hour = datatime$hour,
+                  min = datatime$min,
+                  sec = datatime$sec)
>
 

> d1=table(data[,1])
> d = data.frame(word = names(d1),freq =d1,stringsAsFactors = F)   ;
> d=d[order(d[,3],decreasing=T),]
> head(d)

#  活躍度統計

#去掉停用詞

mixseg = worker()
textt=paste(as.character(data[,3]),sep="",collapse ="")
textt<-mixseg<=textt
t=unlist(textt)
cnword<-read.csv("C:/Users/admin/Desktop/幾個停用詞.txt",header=F,stringsAsFactors=F)
cnword<-as.vector(cnword[1:dim(cnword)[1],])#需要為向量格式
t=t[!t%in%cnword]#去停用詞
t1=table( t  )
plot（t1）  初步檢視分詞不是很理想，繼續調整
 

> d =data.frame(word = names(d1),freq = d1,stringsAsFactors = F)   ;
>d=d[order(d[,3],decreasing=T),]
>d=d[nchar(as.character(d$word))>1,]
>write.table(d,"C:/Users/admin/Desktop/幾個停用詞.txt聊天內容詞頻排名.csv",sep=",",row.names = F)
 

>t1=t1[!names(t1)%in%c("男神","女神","你懂的")]#去沒有意義的詞
> library(Rwordseg)
t1=t1[nchar(as.character(names(t1)))==2]
plot(t1,xlab="片語",ylab="詞頻")   #效果例項而已，好的資料會有好的效果。

用wordcloud進行過程-------------------------------------

#分詞後的詞語頻率彙總

> wdfreq <- as.data.frame(table(t1))    
> head(wdfreq)
  t1Freq
1 1   14
2 2    1
3 7    2

#頻數排序**

wdfreq<-rev(sort(wdfreq$Freq))

------------------------------------------------------

#使用wordcloud2構造雲圖
wordcloud2(t1,size=2,fontFamily='SegoeUI')

---------用wordcloud進行過程-------------------------------------

#分詞後的詞語頻率彙總
> wdfreq <- as.data.frame(table(t1))    
> head(wdfreq)
  t1Freq
1 1   14
2 2    1
3 7    2
#頻數排序 **
wdfreq<-rev(sort(wdfreq$Freq))

------------------------------------------------------

#使用wordcloud2構造雲圖

wordcloud2(t1,size=2,fontFamily='SegoeUI')

> datax=substr(data[,2],1,10)#得到日期，不要時分秒
> a=table(datax)
> plot(a,xlab="日期",ylab="頻數",main="參與聊天人數/日期")

data1=data.frame(user.name=data[,1],data=substr(data[,2],1,10),time=substr(data[,2],12,regexpr(":",data[,2])-1),text=data[,3])
#write.table(data1," C:/Users/admin/Desktop/.細分資料.csv",sep=",",row.names = F)
a=table(data1[,3])
plot(a,xlab="日期",ylab="頻數",col=4,main="參與聊天人數/二十小時分佈")

WORDCLOUD2常用引數：
（1）data：詞雲生成資料，包含具體詞語以及頻率；
（2）size：字型大小，預設為1，一般來說該值越小，生成的形狀輪廓越明顯；
（3）fontFamily：字型，如‘微軟雅黑’；
（4）fontWeight：字型粗細，包含‘normal’，‘bold’以及‘600’；；
（5）color：字型顏色,可以選擇‘random-dark’以及‘random-light’,其實就是顏色色系；
（6）backgroundColor：背景顏色，支援R語言中的常用顏色，如‘gray’，‘blcak’，但是還支援不了更加具體的顏色選擇，如‘gray20’；
（7）minRontatin與maxRontatin：字型旋轉角度範圍的最小值以及最大值，選定後，字型會在該範圍內隨機旋轉；
（8）rotationRation：字型旋轉比例，如設定為1，則全部詞語都會發生旋轉；
（9）shape：詞雲形狀選擇，預設是‘circle’，即圓形。還可以選擇‘cardioid’（蘋果形或心形），‘star’（星形），‘diamond’（鑽石），‘triangle-forward’（三角形），‘triangle’（三角形），‘pentagon’（五邊形）；

文章完整版可通過我的公眾號檢視，歡迎掃描二維碼檢視