04 Descarga y Análisis de Datos de Redes Sociales
Guadalupe Atienza y Nahuel Piñeiro
7/18/2021
En este trabajo realizaremos un análisis de tweets públicos sobre el proceso de vacunación en el Ärea Metropolitana de Buenos Aires. Para ello utilizaresmos una base de tweets suministrada dado que al momento no contamos con los permisos para realizar búsquedas conectándonos a la API de Twitter..
Comenzamos como siempre, activando los paquetes que utilizaremos para explorar, transformar y visualizar estos datos. En este caso, estaremos utilizando “tidyverse”, “sf”, “ggmap”, “leaflet”, “rtweet” y “lubridate” :
library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.0 ──## ✓ ggplot2 3.3.3 ✓ purrr 0.3.4
## ✓ tibble 3.1.0 ✓ dplyr 1.0.5
## ✓ tidyr 1.1.3 ✓ stringr 1.4.0
## ✓ readr 1.4.0 ✓ forcats 0.5.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(sf)## Linking to GEOS 3.8.1, GDAL 3.1.4, PROJ 6.3.1library(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)
library(rtweet)##
## Attaching package: 'rtweet'## The following object is masked from 'package:purrr':
##
## flattenlibrary(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionA continuación importamos y exploramos la base de tweets:
tweets_vacunas <- readRDS("data/tweets_vacunas.RDS")names(tweets_vacunas)## [1] "user_id" "status_id"
## [3] "created_at" "screen_name"
## [5] "text" "source"
## [7] "display_text_width" "reply_to_status_id"
## [9] "reply_to_user_id" "reply_to_screen_name"
## [11] "is_quote" "is_retweet"
## [13] "favorite_count" "retweet_count"
## [15] "quote_count" "reply_count"
## [17] "hashtags" "symbols"
## [19] "urls_url" "urls_t.co"
## [21] "urls_expanded_url" "media_url"
## [23] "media_t.co" "media_expanded_url"
## [25] "media_type" "ext_media_url"
## [27] "ext_media_t.co" "ext_media_expanded_url"
## [29] "ext_media_type" "mentions_user_id"
## [31] "mentions_screen_name" "lang"
## [33] "quoted_status_id" "quoted_text"
## [35] "quoted_created_at" "quoted_source"
## [37] "quoted_favorite_count" "quoted_retweet_count"
## [39] "quoted_user_id" "quoted_screen_name"
## [41] "quoted_name" "quoted_followers_count"
## [43] "quoted_friends_count" "quoted_statuses_count"
## [45] "quoted_location" "quoted_description"
## [47] "quoted_verified" "retweet_status_id"
## [49] "retweet_text" "retweet_created_at"
## [51] "retweet_source" "retweet_favorite_count"
## [53] "retweet_retweet_count" "retweet_user_id"
## [55] "retweet_screen_name" "retweet_name"
## [57] "retweet_followers_count" "retweet_friends_count"
## [59] "retweet_statuses_count" "retweet_location"
## [61] "retweet_description" "retweet_verified"
## [63] "place_url" "place_name"
## [65] "place_full_name" "place_type"
## [67] "country" "country_code"
## [69] "geo_coords" "coords_coords"
## [71] "bbox_coords" "status_url"
## [73] "name" "location"
## [75] "description" "url"
## [77] "protected" "followers_count"
## [79] "friends_count" "listed_count"
## [81] "statuses_count" "favourites_count"
## [83] "account_created_at" "verified"
## [85] "profile_url" "profile_expanded_url"
## [87] "account_lang" "profile_banner_url"
## [89] "profile_background_url" "profile_image_url"Popularidad de los usuarios
Como puede observarse en el gráfico que sigue la mayoría de las cuentas analizadas reunen menos de mil seguidores. Asimismo son muy pocas las que reunen menos de 10 o más de 100.000 seguidores y encontramos algunos valores extremos superando el millón, los cuales analizaremos a continuación. Es decir, que existe una gran masa de usuarios con baja popularidad (hasta mil seguidores) y un número muy pequeño de usuarios con una muy alta popilaridad (alcanzando más de cien mil seguidores, esto es una cantidad cien veces superior a la de la mayoría).
options(scipen = 20)
ggplot(tweets_vacunas) +
geom_histogram(aes(x = followers_count), color="grey40", fill="grey80")+
theme_minimal()+
theme(plot.title = element_text(face="bold", size=15)) +
theme(axis.title.x = element_text(face="bold", vjust=-0.5, colour="#DF536B", size=12)) +
theme(axis.title.y = element_text(face="bold", vjust=-0.5, colour="#DF536B", size=12)) +
labs(title = "Distribución de usuarios según cantidad de seguidores",
x = "número de seguidores",
y = "cantidad",
caption = "fuente: Twitter - 27/Juio a 5/julio de 2021")+
scale_x_log10()## Warning: Transformation introduced infinite values in continuous x-axis## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 10 rows containing non-finite values (stat_bin).
En el encabezado que sigue podemos ver los cinco usuarios más populares en la base de tweets descargados. Para ello mostramos un encabezado (función “head”) de la base ordenada en forma descendendente (función “arrage”, parámetro “desc”) y selccionando los casos únicos (función “distinct”)
tweets_vacunas %>%
select(screen_name, followers_count) %>%
distinct() %>%
arrange(desc(followers_count)) %>%
head(5) ## # A tibble: 5 x 2
## screen_name followers_count
## <chr> <int>
## 1 C5N 2838711
## 2 PatoBullrich 1242184
## 3 FernandezAnibal 1139329
## 4 AmericaTV 1054570
## 5 NardaLepes 842049Distribución temporal de los tweets
Para determinar en qué horario se realizan la mayor cantidad de tweets debemos primero transformar en formato temporal (función “ymd_hms”) los datos de la variable “created_at” y crear una nueva variable identificando la hora de cada tweet (función “hour”). En esta última operación establecimos asimismo que tomara la hora de la zona horaria de la ciudad (función “with_tz”):
tweets_vacunas <- tweets_vacunas %>%
mutate(created_at = ymd_hms(created_at), hora = hour(with_tz(created_at, "America/Argentina/Buenos_Aires")))Ahora sí, podemos proceder a graficar la distribución de tweets por hora. Como puede verse, la mayoría de los tweets se concentran en el rango que va desde las 8 a las 0 horas, con los mayores picos a las 12 y a las 18; mientras que entre la 1 y las 7 encontramos la menor concentración de tweets, con un mínimo registrado entre las 4 y las 5:
ggplot(data=count(tweets_vacunas, hora))+
geom_col(aes(x = hora, y = n), color="grey40", fill="grey80")+
theme_minimal()+
theme(plot.title = element_text(face="bold", size=15)) +
theme(axis.title.x = element_text(face="bold", vjust=-0.5, colour="#DF536B", size=12)) +
theme(axis.title.y = element_text(face="bold", vjust=-0.5, colour="#DF536B", size=12)) +
labs(title = "Distribución de tweets por hora",
x = "hora",
y = "cantidad",
caption = "fuente: Twitter - 27/Juio a 5/julio de 2021") 
tweets_vacunas_geo <- lat_lng(tweets_vacunas) %>%
select(-geo_coords, -coords_coords, -bbox_coords) %>%
filter(!is.na(lat), !is.na(lng))bbox <- make_bbox(lon = tweets_vacunas_geo$lng, lat = tweets_vacunas_geo$lat)
bbox## left bottom right top
## -58.83245 -34.85154 -58.17054 -34.42451mapa_amba <- get_stamenmap(bbox, maptype = "terrain-lines", zoom = 10)## Source : http://tile.stamen.com/terrain-lines/10/344/616.png## Source : http://tile.stamen.com/terrain-lines/10/345/616.png## Source : http://tile.stamen.com/terrain-lines/10/346/616.png## Source : http://tile.stamen.com/terrain-lines/10/344/617.png## Source : http://tile.stamen.com/terrain-lines/10/345/617.png## Source : http://tile.stamen.com/terrain-lines/10/346/617.pngDistribución geográfica de los tweets
- En el primer mapa podemos observar la localización de cada tweet y la cantidad de seguidores del usuario que lo realizó. Para evitar el encimamiento de puntos, que dificulta la visualización,fijamos una transparencia alta (parámetro “alpha”) a la vez que sacudimos la ubicación de los puntos (función “jitter”) y reordenamos las observaciones según la cantidad de seguidores (función “arrange”). Como puede verse, los tweets de usuarios más populares se encuentran localizados en la ciudad de Buenos Aires. Cabe señalar que la localización de los tweets se determina o bien por la ubicación del dispositivo con que se lo realizó bien por la localidad donde el usuario indicó que se encontraba, en cuyo caso se toma el centroide del polígono. Es decir, que la concentración de puntos en el centro geográfico de una localidad no necesariamente indica que los tweets fueron realizados exactamente en esas coordenadas, pero sí nos dan una idea del área en que fueron realizadas.
ggmap(mapa_amba) +
geom_point(data = arrange(tweets_vacunas_geo, followers_count),
aes(x = jitter(lng, 200), y = jitter(lat, 200), color = followers_count), alpha=0.6) +
scale_color_viridis_c()+
theme_void()+
theme(plot.title = element_text(face="bold", size=15)) +
labs(title = "Distribución de tweets por localización y cantidad de seguidores",
caption = "fuente: Twitter - 27/Juio a 5/julio de 2021",
color = "cantidad de seguidores") 
- En el segundo mapa, interactivo, podemos observar, además de la localización de los tweets y la cantidad de seguidores de los usuarios que los realizaron, la cantidad de retweets que recibieron en cada caso, que se representa con un radio alrededor del punto que indica la ubicación del tweet. Asimismo, al clickear sobre cada punto o radio puede observarse en la ventana emergente el usuario que realizó el tweet:
paleta <- colorNumeric(
palette = "viridis",
domain = tweets_vacunas_geo$followers_count)leaflet(tweets_vacunas_geo) %>%
addTiles() %>%
addCircleMarkers(radius = ~retweet_count,
popup = ~paste("usuario:", screen_name),
color = ~paleta(followers_count),
lat = ~jitter(lat, 50),
lng = ~jitter(lng, 50)) %>%
addLegend(title = "seguidores", pal = paleta, values = ~followers_count)