Tweepy python
Esta pregunta está relacionada con el propósito de tu caso de uso. Entender «por qué» estás buscando datos sobre un determinado tema te ayudará a identificar el tipo de datos que necesitas. Por ejemplo, los datos que puedes necesitar para un proyecto de clase sobre visualización (donde una muestra de Tweets podría ser suficiente) serán diferentes de los que podrías necesitar para entrenar y construir un clasificador para resolver un problema de aprendizaje automático (ML) (donde podrías necesitar más datos específicos).
Responder a estas preguntas le ayudará a decidir el tipo de datos que necesita (y, por tanto, los criterios de filtrado adecuados). A continuación, le ofrecemos algunos consejos que debe tener en cuenta cuando piense en obtener datos para su caso de uso:
Esta pregunta le ayuda a delimitar el periodo de tiempo de los datos que necesita para su caso de uso. Determine si el tema que desea estudiar requiere datos históricos (en caso afirmativo, de cuánto tiempo atrás) o si necesita Tweets tal y como se crean en tiempo real. A partir de ahí, podrá decidir qué punto final servirá a sus necesidades.
Esta pregunta le ayudará a identificar la fuente de Tweets adecuada para su caso de uso. El punto final que utilice también dependerá de la respuesta a esta pregunta. Por ejemplo, para estudiar ciertas cuentas, puede querer utilizar el endpoint user_timeline, followers/ids, etc.
Análisis de Twitter en python
print(user.followers_count) #Cuenta de seguidores del usuarioObteniendo la citaAhora comenzarás con el primer paso para construir tu bot. Como ya hemos dicho, cuando alguien mencione a tu bot, éste le responderá con una imagen con una cita escrita en ella.
Para ello, puedes utilizar la biblioteca de peticiones de Python, que se utiliza para realizar peticiones HTTP en Python. Abstrae las complejidades de hacer peticiones detrás de una simple API para que sólo puedas centrarte en interactuar con los servicios y consumir datos en tu aplicación.def get_quote():
Json forma parte de la biblioteca estándar de Python, por lo que puedes importarlo directamente usando: import json. De la respuesta, sólo necesitarás el contenido y el autor, por lo que harás que tu función devuelva sólo esos valores. Así es como se verá la función completa:def get_quote():
return res[‘contenido’] + «-» + res[‘autor’]Generación de la imagenYa tienes tu texto. Ahora necesitas crear una imagen y poner este texto sobre ella.Siempre que necesites realizar cualquier tarea relacionada con la imagen en python, busca primero la librería Pillow. Pillow es la librería de imágenes de Python que ofrece potentes capacidades de procesamiento de imágenes al intérprete de Python, además de proporcionar un amplio soporte de formatos de archivo.Crea un archivo separado, llámalo Wallpaper.py y añade una función que aceptará la cita como una cadena en su parámetro e inicializará todas las variables necesarias para generar una imagen:def get_image(quote):
Api de Twitter
Cursor() devuelve un objeto sobre el que puedes iterar o hacer un bucle para acceder a los datos recogidos. Cada elemento del iterador tiene varios atributos a los que puedes acceder para obtener información sobre cada tweet, incluyendo:y más. El código siguiente recorre el objeto e imprime el texto asociado a cada tweet.# Recoger tweets
El enfoque anterior utiliza un bucle for estándar. Sin embargo, este es un excelente lugar para utilizar una comprensión de lista de Python. Una comprensión de lista proporciona una forma eficiente de recoger los elementos del objeto contenidos en un iterador como una lista.# Recoger tweets
Crear un Dataframe de Pandas a partir de una lista de datos de tweetsUna vez que se tiene una lista de elementos con los que se desea trabajar, se puede crear un dataframe de pandas que contenga esos datos.tweet_text = pd.DataFrame(data=users_locs,
Api académica de Twitter
Como puedes ver hay mucha información con la que podemos jugar. Todos los campos *_id tienen también una contraparte *_id_str, donde la misma información se almacena como una cadena en lugar de un gran int (para evitar problemas de desbordamiento). Podemos imaginar cómo estos datos ya permiten algunos análisis interesantes: podemos comprobar quién es el más favorecido/retuiteado, quién está discutiendo con quién, cuáles son los hashtags más populares, etc. La mayor parte de las bondades que buscamos, es decir, el contenido de un tuit, está de todos modos incrustado en el texto, y ahí es donde empezamos nuestro análisis.
Notarás algunas peculiaridades que no son captadas por un tokenizador de inglés de uso general como el de NLTK: Las menciones @, los emoticonos, las URL y las etiquetas #hash no se reconocen como tokens individuales. El siguiente código propondrá una cadena de preprocesamiento que tendrá en cuenta estos aspectos del lenguaje.
El tokenizador está probablemente lejos de ser perfecto, pero le da la idea general. La tokenización se basa en expresiones regulares (regexp), que es una opción común para este tipo de problemas. Algunos tipos particulares de tokens (por ejemplo, números de teléfono o nombres de productos químicos) no serán capturados, y probablemente se dividirán en varios tokens. Para superar este problema, así como para mejorar la riqueza de su canal de preprocesamiento, puede mejorar las expresiones regulares, o incluso emplear técnicas más sofisticadas como el reconocimiento de entidades con nombre.