前些日子，女朋友拿我手机玩，说我微信好友女生多，当时我就不服了（跪着认错了），然后两人一个个统计性别，我微信好友不算多，但也有300来个，人工统计实在费事，之后事情也就不了了之了（打了我一顿）。
昨天突然想到itchat库可以获取微信好友信息，所以又拿出来玩了一下，为什么说又了？之前用过itchat制作好友全头像，链接（https://cloud.tencent.com/developer/article/1155569）。所以今天继续使用itchat来玩转好友信息。
涉及内容
为了让小白也能自己学会使用，本文涉及的内容包括以下部分：
- 环境安装
- 小试牛刀
- 微信好友统计可视化
- 微信机器人
- 性别预测
环境安装
本人使用的是anaconda3的Python环境（该环境拥有数据科学的大部分库，例如：numpy，pandas，sklearn），除此之外，需要安装第三方库。itchat用于获取微信好友信息；pyecharts用于绘制统计图，另外绘制地图需要安装地图 js 文件，不然地图无法显示；jieba用于统计词频，用于绘制词云图。通过下面代码一一安装即可：
代码语言：javascript复制pip install itchat
pip install pyecharts
pip install echarts-countries-pypkg
pip install echarts-china-provinces-pypkg
pip install echarts-china-cities-pypkg
pip install echarts-china-counties-pypkg
pip install echarts-china-misc-pypkg
pip install jieba小试牛刀
安装完itchat，就可以通过下面的代码给文件助手发消息了，这里给自己发没意思，决定给女朋友发一个（首先你得有一个女朋友，其次她愿意扫码登陆）。
代码语言：javascript复制import itchat
itchat.auto_login() ##登陆
itchat.send('美女', toUserName='filehelper')
itchat.send('早上好', toUserName='filehelper')
微信好友统计可视化
数据收集
首先通过itchat获取好友的信息，第一个其实是自己，所以保存数据需要跳过第一个好友。
代码语言：javascript复制friends = itchat.get_friends(update=True)[0:] #获取数据
print(friends[0])
根据分析情况，获取部分字段数据，并保存在csv文件中。
代码语言：javascript复制import csv
f = open('C:/Users/LP/Desktop/1.csv','w ',encoding='utf-8',newline='')
writer = csv.writer(f)
writer.writerow(['NickName','Sex','City','Province','Signature'])
for i in friends[1:]:
writer.writerow([i['NickName'],i['Sex'],i['City'],i['Province'],i['Signature']])
#pandas读数据
import pandas as pd
df = pd.read_csv(open('C:/Users/LP/Desktop/1.csv',encoding='utf-8'))
df.head()
性别分布
首先对性别进行统计（慌得一匹），并使用pyecharts库进行可视化分析。如图可以看出，男性比例还是更多一些的，外星人是没有设置性别的好友。
代码语言：javascript复制data1 = df.groupby('Sex')['Sex'].count()
from pyecharts import Pie
attr = ['外星人','男性', '女性']
v1 = list(data1)
pie = Pie('微信好友性别分布')
pie.add("", attr, v1, is_label_show=True)
pie
地区分布
地区字段有缺失值，我们通过布尔选择过滤到缺失值后，通过groupby统计个数，利用pyecharts库进行可视化。
由于本人是湖南人，并且求学一直都没有离开过湖南，所以湖南的人数最多，其他省份的人数都是较少的。
代码语言：javascript复制new_df2 = df[df['Province'].notnull()]
data = new_df2.groupby('Province')['Province'].count()
# 绘图
from pyecharts import Map
label = list(data.index)
value = list(data)
map = Map('微信好友地区分布情况', width=1200, height=600)
map.add("", label, value, maptype='china', is_visualmap=True,
visual_text_color='#000')
map
词云图
最后，通过jieba分词，计算词频，绘制好友个性签名的词云图。曾经我们90后的杀马特QQ昵称、个性签名，大家是否还记得？情殇、浅唱、爱你就是一辈子....还记得我最早的QQ昵称是泷太子...
这里可以看到本人微信好友英语不错的样子，各种英语秀的我头皮发麻，他们时而愤青（个性、随意），不远随波逐流；
时而低落（浅醉、唯心），为生活颠簸；
最后不得而变得中庸（平凡，留不住）。
代码语言：javascript复制str_data = ''
for i in range(new_df.shape[0]):
str_data = str_data new_df.iloc[i,4]
# 正则去掉部分非法字符
import re
str_data = re.sub('span', '',str_data,re.S)
str_data = re.sub('class', '',str_data,re.S)
str_data = re.sub('emoji', '',str_data,re.S)
# jieba分词统计
import jieba.analyse
tags = jieba.analyse.extract_tags(str_data, topK=50, withWeight=True)
label = []
attr = []
for item in tags:
label.append(item[0])
attr.append(int(item[1]*1000))
# 绘图
from pyecharts import WordCloud
wordcloud = WordCloud(width=800, height=620)
wordcloud.add("", label[3:], attr[3:], word_size_range=[20, 100])
wordcloud
微信机器人
首先，我们需要去图灵机器人网站（http://www.tuling123.com/）注册机器人账号，获取apikey，使用自己的apikey即可运行代码，完成微信机器人的工作。
代码语言：javascript复制import requests
import itchat
KEY = '这里为申请的apikey'
def get_response(msg):
apiUrl = 'http://www.tuling123.com/openapi/api'
data = {
'key' : KEY,
'info' : msg,
'userid' : 'wechat-robot',
}
try:
r = requests.post(apiUrl, data=data).json()
return r.get('text')
except:
return
@itchat.msg_register(itchat.content.TEXT)
def tuling_reply(msg):
defaultReply = 'I received: ' msg['Text']
reply = get_response(msg['Text'])
return reply or defaultReply
itchat.auto_login(hotReload=True)
itchat.run()
性别预测
最后，我们尝试使用用户昵称来构造分类模型，预测昵称的用户性别。
数据整理
首先导入需要的库，接着合并数据（这里有8份好友数据），然后筛选出用户性别为男和女的用户。
代码语言：javascript复制import pandas as pd
import os
from sklearn.model_selection import train_test_split
from sklearn.model_selection import cross_val_score
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
list_all = os.listdir('C:/Users/LP/Desktop/info_friend')
all_list = []
for i in list_all:
path = 'C:/Users/LP/Desktop/info_friend/' i
df = pd.read_csv(open(path,encoding='utf-8'))
all_list.append(df)
all_data = pd.concat([all_list[0],all_list[1],all_list[2],all_list[3],all_list[4],all_list[5],all_list[6],all_list[7]])
df = all_data[(all_data['Sex'] == 1) | (all_data['Sex'] == 2)]数据预处理
这里划分数据集，并通过CountVectorizer将数据转换为词向量。
代码语言：javascript复制X_train, X_test, Y_train, Y_test = train_test_split(df['NickName'], df['Sex'], test_size=0.2, random_state=22)
from sklearn.feature_extraction.text import CountVectorizer
count_vect = CountVectorizer()
X_train_cov = count_vect.fit_transform(X_train)模型训练及评价
用最简单的朴素贝叶斯来进行建模，并进行模型评价。通过结果看出，数据在训练样本精度很高，而在测试样本严重欠拟合。
代码语言：javascript复制clf = MultinomialNB(alpha=0.0001)
clf.fit(X_train_cov, Y_train)
clf.score(X_train_cov, Y_train)
X_test_cov = count_vect.transform(X_test)
clf.score(X_test_cov, Y_test)
test = ['陈傻逼','罗罗攀','ace','我是小仙女']
X = count_vect.transform(test)
clf.predict(X)
不足与讨论
由于时间精力不足，模型预测结果有待优化，读者可尝试以下方法进行优化：
- 扩大数据集
- 文本处理
- 算法选择
- 模型的优化
