基于Python的微信聊天记录分析——数据处理与分析

本篇为《基于Python的微信聊天记录分析》系列的第二篇，主要讲解获取到聊天记录数据之后，在Python环境下对其进行数据处理、分析和可视化，涉及库的安装、相关操作的Python代码等内容。希望和大家多多交流，共同进步！

一. 数据处理

数据分析的基础是“数据”，俗话说基础不牢，地动山摇！对于聊天记录分析这件事儿来说，数据处理是十分有必要的，我们需要将茫茫多的记录中的无意义或意义不明数据过滤，这样才有助于后续的数据分析，那么就来到了本篇内容的第一部分——数据处理。

1. 相关库的安装

工欲善其事，必先利其器。完成这部分内容需要安装一些库，比如pandas、jieba、matplotlib等等（这部分不一定非得用我上面列的，有很多种方法可以达成目的，有一定基础的童鞋可以自由发挥），下面我对篇中数据处理用到的相关库进行简单介绍：

• Pandas（用于数据分析）：据说pandas的名字来自于“python data analysis”，可以直观地看出它是专门用于python环境下的数据分析的扩展程序库，它的基础是numpy，在pandas中，有很多高性能、易于使用的数据结构和分析函数。有了它，从文件中导入结构化数据就不在话下了，它可以对各种数据进行运算，比如合并、选择、加工等等。
• jieba（用于中文分词）：jieba的主要功能是做中文分词，可以进行简单分词、并行分词、命令行分词，当然它的功能不限于此，目前还支持关键词提取、词性标注、词位置查询等，目前来说，它是做中文分词比较好的库之一。
• matplotlib（用于可视化）：matplotlib是python环境下的2D绘图库，利用它可以将数据可视化，只需几行代码即可生成直方图，条形图，饼图，散点图等，在数据处理中较为常用。

相关库在Anaconda Prompt中的安装命令如下：

pip install pandas jieba matplotlib

 安装完毕后，会显示如下信息，successfully就意味着成功啦：

也可以安装后import加载一下，不报错的话就ok ~

# 导入依赖库
import pandas as pd
import matplotlib.pyplot as plt
import jieba

 2. 数据清洗

数据清洗之前，可先通过pandas库中读取csv的相关函数加载聊天记录文件，该函数加载后是DataFrame格式，十分便于后续操作，大家可以将以下代码中的数据文件路径修改成自己的路径。

# 项目路径
project_path = 'D:\\Projects\\chatmsg-analysis\\chatmsg.csv' # 需要换成自己的路径
# pandas读取csv文件
msg = pd.read_csv(project_path)

读取聊天记录中数据之后， 首先看一下格式（我这边使用PyCharm撰写和编辑代码，大家可以自由选择，Anaconda中自带的spyder之类的都可以），数据字段如下表所示，其中标红字段为重点使用字段，涉及是否发送者、文本内容、时间等内容：

字段名称	含义
Localld	数据ID（计数）
TalkerId	聊天对象ID
Type	数据类型（文本为1）
SubType	子类型
IsSender	是否发送者（本人为1，对方为0）
CreateTime	时间戳
Status	——
StrContent	文本内容
StrTime	时间（年月日时分秒标准格式）
Remark	——
NickName	——
Sender	——

大概了解数据格式和数据内容之后，下面我们要做数据清洗，由于我们是基于文本内容分析的，需要将文本之外的数据滤除，以下代码滤除了聊天内容中的链接、撤回等信息，大家可以参考。 

def datacleansing(data):
    # 过滤分享的链接等数据
    data_processed = data[data['StrContent'].str.contains('http') == False]
    data_processed = data_processed[data_processed['StrContent'].str.contains('') == False]
    # 过滤撤回数据
    data_processed = data_processed[data_processed['StrContent'].str.contains('撤回了一条') == False]
    return data_processed

# 运行
msg_processed = datacleansing(msg)

 到此数据清洗就基本结束了，下面开始数据的统计分析~

二. 统计分析

本章主要涉及聊天数据的频次、描述性等方面统计：

1. 按日期统计聊天频次

首先是按日期统计两人的聊天频次，分别为总频次、主方频次和对方频次，这样可以对谁说的多、谁说的少一览无余~下面上代码：

# 首先划定需要分析的聊天记录时间范围，我这边选取了2023一整年的记录作为分析样本
msg_processed_time = msg_processed.loc[(msg_processed['StrTime'] >= '2023-01-01') & (msg_processed['StrTime'] <= '2024-01-01')]
# 下面利用IsSender字段将主对方分开
msg_total = msg_processed_time # 总
msg_i = msg_processed_time[msg_processed_time["IsSender"] == 1] # 我自己
msg_u = msg_processed_time[msg_processed_time["IsSender"] == 0] # 对方
# 加时间索引
msg_total['StrTime'] = pd.to_datetime(msg_total['StrTime'])
msg_total = msg_total.set_index('StrTime')
msg_i['StrTime'] = pd.to_datetime(msg_i['StrTime'])
msg_i = msg_i.set_index('StrTime')
msg_u['StrTime'] = pd.to_datetime(msg_u['StrTime'])
msg_u = msg_u.set_index('StrTime')
# 设计统计字段count
msg_total["count"] = 1
msg_i["count"] = 1
msg_u["count"] = 1
# 按天统计聊天频次
result_total_day = msg_total.resample('D').sum()
result_i_day = msg_i.resample('D').sum()
result_u_day = msg_u.resample('D').sum()

到此，result中的count字段就是每天的聊天次数啦！ 

2. 按每日不同时段统计聊天频次

然后就是按每日不同时段来统计两人的聊天频次，我这里将一天分为0-23共24个时段，计算出一年内各时段的累计聊天次数，代码如下：

# copy一份数据
msg_phase_total = msg_processed_time
# 由于我们要根据StrTime字段划分时段，因此先将其转为字符串，便于后续操作
msg_phase_total['StrTime'] = msg_phase_total['StrTime'].apply(lambda x: x.strftime('%Y-%m-%d %H:%M:%S'))
# 取每日时段（小时部分）：将StrTime字段重构成time_phase字段
time_phase = msg_phase_total.pop('StrTime')
time_phase = time_phase.str[11:13]
msg_phase_total.insert(1, 'time_phase', time_phase)
# 取主对方
msg_phase_i = msg_phase_total[msg_phase_total["IsSender"] == 1]
msg_phase_u = msg_phase_total[msg_phase_total["IsSender"] == 0]
# 算出各时段聊天次数
result_total_tp = msg_phase_total['time_phase'].value_counts()
result_i_tp = msg_phase_i['time_phase'].value_counts()
result_u_tp = msg_phase_u['time_phase'].value_counts()

根据上述操作，一年内每日不同时段的聊天次数就统计在result中了。

3. 高频词汇统计

最后是高频词汇统计，这个环节就要用到一开始提到的jieba了，我们要利用jieba.cut函数对聊天记录中StrContent字段进行中文分词，代码如下：

# 分词函数
def obtain_word(data):
    word = jieba.cut(data)
    return list(word)

# copy一份数据
msg_word_total = msg_processed_time
# 将StrContent字段分词形成word字段
msg_word_total['word'] = msg_word_total['StrContent'].apply(obtain_word)
# 统计word字段中各词汇频次
result_word = pd.Series(msg_word_total['word'].sum()).value_counts()
# 需要将Series转换为DataFrame格式，便于画图
result_word_list = {'labels': result_word.index, 'counts': result_word.values}
result_word_new = pd.DataFrame(result_word_list)

为了提高分词质量，jieba支持常用词列表，可在项目路径下生成文件，执行如下代码加载常用词配置：

import sys
sys.path.append("../")
# 加载常用词配置
jieba.load_userdict("userdict.txt")

 稍微讲讲常用词字典配置，一个常用词占一行，分为三部分：词语、词频、词性（空格分隔），示例如下：

词语 词频 词性

勒布朗 20 nr

詹姆斯 100 nr

打篮球 10 v

 如果还不太会的童鞋可以在csdn搜一搜，资料贼多~

三. 结果可视化

通过第二章，实际已经把可视化所需要的数据统计出来了，这里我们通过matplotlib库来进行简单的可视化~

• 聊天频次类——折线图

下面是代码，两行就能搞定！

import matplotlib.pyplot as plt
# 聊天频次折线图
plt.plot(result_total_day.loc[:, ['count']])
plt.show()

结果如下：

• 词汇出现次数——柱状图

这部分我输出了出现次数较多的Top20词汇，并且添加了标题、横纵坐标标注，大家可以参考：

# 要配置这些，否则会出现中文乱码
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# 从二-3的结果中提取数据和标签
top = result_word_new.head(20)
labels = top.iloc[:, 0]
counts = top.iloc[:, 1]

# 创建条形图
plt.barh(labels, counts, color='skyblue')
plt.xlabel('出现次数')
plt.ylabel('词汇')
plt.title('Top 20 出现词汇')

# 反转y轴，使得指标显示正确
plt.gca().invert_yaxis()

# 紧凑布局，确保y轴完全显示
plt.tight_layout()
plt.show()

结果如下（质量还有提升空间）：

四. 学习后记

本篇我是在Python环境下，利用pandas、jieba、matplotlib等库对聊天记录csv数据进行数据处理、统计分析和结果可视化，大部分内容都是基础的数据分析，仅涉及了一点点文本分词内容；有的环节还可以优化，部分代码有些粗糙（有的地方甚至可以利用成熟软件来做，比如武汉大学的ROST等等），还望大家包容、见谅！希望多多进步，下一章打算进行一些情绪/情感分析。

与诸君共勉~

如何获取聊天记录数据可参考：

基于Python的微信聊天记录分析——数据获取