Twitter文本挖掘初步

Twitter已经成为社交媒体领域重要的信息来源，也是数据挖掘和可视化的重点研究对象。据说华尔街的多家对冲基金公司已经在利用twitter数据挖掘来衡量人们的情绪，从而预测资本市场的运动方向。可见在未来数年，对twitter信息的挖掘必将成为一个热点。

在R语言中提取twitter信息的扩展包是twitterR，它可以提取公共信息流，也可以针对某个用户提取其信息流，或者是以某个标签搜索推文。下面我们以“wukan”（乌坎）为关键词搜索推文标签，观察推友的发推数量。

首先载入软件包，以#wukan为关键词提取1000条推文，然后将其转化为数据框格式。df数据中存储的中文推文内容在R中似乎无法正常浏览，不过推文的用户名仍然是英文的可加以利用。

library(twitteR)
rdmTweets <- searchTwitter('#wukan', n = 1000)
df <- twListToDF(rdmTweets)

下一步提取推文用户名并制成频数表，然后将发推数小于10的数据删除。为了绘图方便起见，将用户名进行按照发推数重新排序，而非原来的字母顺序。最终数据存在data变量中。

counts <- table(df$screenName)
cc <- data.frame(subset(counts, counts>10))
names(cc) <- 'value'
cc <- data.frame(value = cc$value,name = rownames(cc))
newname <- with(cc, reorder(name, value))
data <- data.frame(cc, newname)

载入ggplot2包，绘制条形图。从图中可观察到，在所有关于#wukan的推文中，revhus这位用户发推数最多。

library(ggplot2)
p <- ggplot(data,aes(y=value,x=newname))
p+geom_bar(stat='identity',aes(fill=value))+coord_flip()

参考资料：
http://cran.r-project.org/web/packages/twitteR/vignettes/twitteR.pdf
http://rdatamining.wordpress.com/2011/11/09/using-text-mining-to-find-out-what-rdatamining-tweets-are-about/
http://blog.ouseful.info/2011/11/09/getting-started-with-twitter-analysis-in-r/
http://simplystatistics.tumblr.com/post/13897994725/plotting-beijingair-data