Entrega TP3 (Ciencia de Datos 2)
Lavezzolo
8/5/2020
Trabajo Práctico N3: “Capturando y Explorando datos de Twitter”
La ciudad con la que vamos a continuar trabajando es la Ciudad Autónoma de Buenos Aires"
library(rtweet)
library(tidyverse)## -- Attaching packages --------------------------------------------------------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.0 v purrr 0.3.3
## v tibble 2.1.3 v dplyr 0.8.4
## v tidyr 1.0.2 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts ------------------------------------------------------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x purrr::flatten() masks rtweet::flatten()
## x dplyr::lag() masks stats::lag()library(lubridate)##
## Attaching package: 'lubridate'## The following object is masked from 'package:base':
##
## datelibrary(ggmap)## Google's Terms of Service: https://cloud.google.com/maps-platform/terms/.## Please cite ggmap if you use it! See citation("ggmap") for details.library(leaflet)II. Analizar:
Vamos a analizar todos los tweets que tengan que ver con: DeudaSostenible, Deuda, FuturoSostenible, acreedores y reestructuración
tweets_deuda <- search_tweets(q = "DeudaSostenible OR Deuda OR FuturoSostenible OR acreedores OR reestructuración",
geocode = "-34.603722,-58.381592,20mi",
include_rts = FALSE,
n = 100000,
retryonratelimit = TRUE)Se encontraron esta cantidad de tweets:
count (tweets_deuda)## # A tibble: 1 x 1
## n
## <int>
## 1 4107head(tweets_deuda)## # A tibble: 6 x 90
## user_id status_id created_at screen_name text source
## <chr> <chr> <dttm> <chr> <chr> <chr>
## 1 125011~ 12588849~ 2020-05-08 22:22:03 dialogo2000 @Fre~ Twitt~
## 2 125011~ 12588846~ 2020-05-08 22:20:56 dialogo2000 @Fre~ Twitt~
## 3 125011~ 12567150~ 2020-05-02 22:39:42 dialogo2000 Exce~ Twitt~
## 4 420256~ 12570344~ 2020-05-03 19:49:06 NicoReggio~ @Ser~ Twitt~
## 5 420256~ 12585962~ 2020-05-08 03:15:09 NicoReggio~ @Ser~ Twitt~
## 6 420256~ 12588845~ 2020-05-08 22:20:51 NicoReggio~ @San~ Twitt~
## # ... with 84 more variables: display_text_width <dbl>,
## # reply_to_status_id <chr>, reply_to_user_id <chr>,
## # reply_to_screen_name <chr>, is_quote <lgl>, is_retweet <lgl>,
## # favorite_count <int>, retweet_count <int>, quote_count <int>,
## # reply_count <int>, hashtags <list>, symbols <list>, urls_url <list>,
## # urls_t.co <list>, urls_expanded_url <list>, media_url <list>,
## # media_t.co <list>, media_expanded_url <list>, media_type <list>,
## # ext_media_url <list>, ext_media_t.co <list>, ext_media_expanded_url <list>,
## # ext_media_type <chr>, mentions_user_id <list>, mentions_screen_name <list>,
## # lang <chr>, quoted_status_id <chr>, quoted_text <chr>,
## # quoted_created_at <dttm>, quoted_source <chr>, quoted_favorite_count <int>,
## # quoted_retweet_count <int>, quoted_user_id <chr>, quoted_screen_name <chr>,
## # quoted_name <chr>, quoted_followers_count <int>,
## # quoted_friends_count <int>, quoted_statuses_count <int>,
## # quoted_location <chr>, quoted_description <chr>, quoted_verified <lgl>,
## # retweet_status_id <chr>, retweet_text <chr>, retweet_created_at <dttm>,
## # retweet_source <chr>, retweet_favorite_count <int>,
## # retweet_retweet_count <int>, retweet_user_id <chr>,
## # retweet_screen_name <chr>, retweet_name <chr>,
## # retweet_followers_count <int>, retweet_friends_count <int>,
## # retweet_statuses_count <int>, retweet_location <chr>,
## # retweet_description <chr>, retweet_verified <lgl>, place_url <chr>,
## # place_name <chr>, place_full_name <chr>, place_type <chr>, country <chr>,
## # country_code <chr>, geo_coords <list>, coords_coords <list>,
## # bbox_coords <list>, status_url <chr>, name <chr>, location <chr>,
## # description <chr>, url <chr>, protected <lgl>, followers_count <int>,
## # friends_count <int>, listed_count <int>, statuses_count <int>,
## # favourites_count <int>, account_created_at <dttm>, verified <lgl>,
## # profile_url <chr>, profile_expanded_url <chr>, account_lang <lgl>,
## # profile_banner_url <chr>, profile_background_url <chr>,
## # profile_image_url <chr>a. ¿Cuáles son los mensajes con más repercusión? ¿Qué dicen?
Los mensajes con más repercución son los siguientes:
tweets_deuda_max <- tweets_deuda %>%
group_by(retweet_count) %>%
select(screen_name, retweet_count, text) %>%
arrange(desc(retweet_count))
head(tweets_deuda_max, 3)## # A tibble: 3 x 3
## # Groups: retweet_count [3]
## screen_name retweet_count text
## <chr> <int> <chr>
## 1 SantoroLeand~ 3554 "Notable como todos le piden a Guzmán precisiones~
## 2 RCachanosky 1114 "Es lo mismo que yo le pido a los políticos!. Que~
## 3 JMilei 1036 "Aquí Martín Guzmán negociando la deuda con acree~ggplot(filter(tweets_deuda))+
geom_histogram(aes(x = retweet_count))+
scale_x_log10()## Warning: Transformation introduced infinite values in continuous x-axis## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 2847 rows containing non-finite values (stat_bin).
Como podemos observar los tres tweets mencionados anteriormente son los que superan los 1000 retweets, mientras que la gran mayoría se encuentran de 0 a 10 retweets.
b. ¿En qué momento del día se realiza la mayor cantidad de tweets? Graficar.
tweets_deuda <- tweets_deuda %>%
mutate(created_at=ymd_hms(created_at))
ts_plot(tweets_deuda, "hours")
La mayor cantidad de tweets se realizan en el horario de la tarde noche, existiendo picos los días 4 de Mayo y 7 de Mayo.
c. ¿Cómo se distribuye la popularidad de los usuarios? ¿Quiénes son los 5 que más seguidores tienen? Graficar.
tweets_deuda_seguidores <- tweets_deuda %>%
group_by(screen_name) %>%
summarise(seguidores = mean( followers_count)) %>%
arrange(desc(seguidores))options(scipen = 20)
ggplot(tweets_deuda_seguidores) +
geom_histogram(aes(x = seguidores))+
scale_x_log10()## Warning: Transformation introduced infinite values in continuous x-axis## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 14 rows containing non-finite values (stat_bin).
La mayoría de los twitteros tienen un rango de 1000 seguidores aproximadamente. Se realizó un “group_by + summarise”, dado que muchos diarios habían realizado varios twetts, repitiendose la misma cuenta.
Los cinco usuarios que más seguidores tienen son los siguientes:
head(tweets_deuda_seguidores, 5)## # A tibble: 5 x 2
## screen_name seguidores
## <chr> <dbl>
## 1 clarincom 3109488
## 2 C5N 2715918
## 3 FernandezAnibal 1088748
## 4 Cris_noticias 915803
## 5 RiverLPM 768530d. Aislando los tweets que poseen coordenadas geográficas (lat y long), crear mapas que muestren posición de los tweets y cantidad de seguidores del usuario que tuitea.
tweets_deuda_geo <- lat_lng(tweets_deuda) %>%
select(-geo_coords, -coords_coords, -bbox_coords) %>%
filter(!is.na(lat), !is.na(lng))
nrow(tweets_deuda_geo)## [1] 381bbox <- make_bbox(lon = tweets_deuda_geo$lng, lat = tweets_deuda_geo$lat)
bbox## left bottom right top
## -58.83245 -34.85154 -58.17054 -34.42451mapa_BA <- get_stamenmap(bbox, maptype = "toner-lite", zoom = 11)
ggmap(mapa_BA)
tweets_deuda_geo <- arrange(tweets_deuda_geo, followers_count)
ggmap(mapa_BA) +
geom_point(data = tweets_deuda_geo,
aes(x = lng, y = lat, color = followers_count, size = retweet_count),
alpha = .5) +
scale_color_distiller(palette = "Spectral")+
labs(title = "Gran Buenos Aires",
subtitle = "Ubicación Geográfica de Tweets",
caption = "Fuente: Twitter",
color = "Seguidores",
size= "Retweets")
paleta <- colorNumeric(
palette = "viridis",
domain = tweets_deuda_geo$followers_count)leaflet(tweets_deuda_geo) %>%
addTiles() %>%
addCircleMarkers(popup = ~text,
color = ~ paleta(followers_count)) %>%
addLegend(title = "seguidores", pal = paleta, values = ~followers_count)## Assuming "lng" and "lat" are longitude and latitude, respectively