-
Notifications
You must be signed in to change notification settings - Fork 1
/
processTweetsCreateNetwork_v3_health.py
383 lines (322 loc) · 11.9 KB
/
processTweetsCreateNetwork_v3_health.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
# -*- coding: utf-8 -*-
"""
Spyder Editor
This is a temporary script file.
"""
import pandas as pd
import numpy as np
import mysql.connector
from sqlalchemy import create_engine
import nltk
nltk.download('punkt')
nltk.download('stopwords')
import re
from nltk.corpus import stopwords
import string
from bs4 import BeautifulSoup
import matplotlib.pyplot as plt
from nltk.stem import SnowballStemmer
import pickle
import itertools
import networkx as nx
import time
from datetime import datetime, timedelta, date
from timeit import default_timer as timer
from sys import argv
#Funcion para eliminar puntuacion y numeros
def remove_punct(text):
punt = list(string.punctuation)#string.puntuation es un string - necesario convertirlo a lista
punt.extend(['¿', '¡','’', '”', '“','•']) #añadir puntuacion española
text = "".join([char for char in text if char not in punt])
text = re.sub('[0-9]+', '', text) #numeros ??????
#Delete puntos suspensivos al final de palabras
re11 = r'(…){1,5}'
text = re.sub(re11,'',text)
text = text.lower()
return text
#Funcion que normaliza la risa
def normalize_laughs(message):
message = re.sub(r'\b(?=\w*[j])[aeiouj]{3,}\b', 'risa', message, flags=re.IGNORECASE)
message = re.sub(r'\b(juas+|lol)\b', 'risa', message, flags=re.IGNORECASE)
return message
def norm_jerga(text):
#Normalizacion de la jerga
jerga = [
('d','de')
,('[qk]','que')
,('xo','pero')
,('xa', 'para')
,('[xp]q','porque')
,('es[qk]', 'es que')
,('fvr','favor')
,('(xfa|xf|pf|plis|pls|porfa|xfi|porfi)', 'por favor')
,('dnd','donde')
,('tb', 'también')
,('(tq|tk)', 'te quiero')
,('(tqm|tkm)', 'te quiero mucho')
,('x','por')
,('\+','mas')
,('akba', 'acaba')
,('a2', 'adiós')
,('aa', 'años')
,('archvo', 'archivo')
,('artclo', 'artículo')
,('artfcial', 'artificial')
,('ataq', 'ataque')
,('atrizar', 'aterrizar')
,('ad+', 'además')
,('bte|bstnt', 'bastante')
,('batry', 'batería')
,('bbr', 'beber')
,('bn', 'bien')
,('bra', 'brasil')
,('brma', 'broma')
,('brmar', 'bromear')
,('botya', 'botella')
,('brbja', 'burbuja')
,('csa|ksa', 'casa')
,('zibrar', 'celebrar')
,('cel', 'celular')
,('zntral|cntral', 'central')
,('zntro', 'centro')
,('xat', 'chat')
,('xatr', 'chatear')
,('cmnkt', 'comunícate')
,('qal', 'cuál')
,('qalkera', 'cualquiera')
,('cdo|qndo|cndo', 'cuando')
,('cto', 'cuanto')
,('cn', 'con')
,('d', 'de')
,('dbria', 'debería')
,('d+', 'demás')
,('dcir', 'decir')
,('dicnario', 'diccionario')
,('dir', 'dirección')
,('dxo|dixo', 'dicho')
,('dnd|dd|dnde', 'donde')
,('qmple', 'cumpleaños')
,('ej', 'ejemplo')
,('emrgencia', 'emergencia')
,('empzar', 'empezar')
,('enqntro', 'encuentro')
,('entrda', 'entrada')
,('skpar', 'escapar')
,('sprar', 'esperar')
,('stdo', 'estado')
,('est', 'éste')
,('exam', 'examen')
,('xclnt', 'excelente')
,('esq', 'es que')
,('exo', 'hecho')
,('exado', 'echado')
,('flidads', 'felicidades')
,('fsta', 'fiesta')
,('firm', 'firme')
,('frt', 'fuerte')
,('gnrcn', 'generación')
,('gral', 'general')
,('gnt', 'gente')
,('grdo', 'gordo')
,('thanks|thanx|graxias|tks', 'gracias')
,('gdo', 'grado')
,('grduar', 'graduar')
,('acer', 'hacer')
,('azla', 'hazla')
,('hno', 'hermano')
,('hr', 'hora')
,('ncrible', 'increíble')
,('indval', 'individual')
,('info', 'información')
,('infrmal', 'informal')
,('ntimo', 'íntimo')
,('jf', 'jefe')
,('jnts', 'juntos')
,('jvnil', 'juvenil')
,('kg', 'kilogramo')
,('km', 'kilómetro')
,('llmame', 'llámame')
,('yav', 'llave')
,('lgr', 'lugar')
,('lu', 'lunes')
,('mñna', 'mañana')
,('mjr', 'mejor')
,('msj', 'mensaje')
,('mntir', 'mentir')
,('mxo|muxo', 'mucho')
,('vlor', 'valor')
,('vmos', 'vamos')
,('vcino', 'vecino')
,('vstir', 'vestir')
,('vje', 'viaje')
,('vistzo', 'vistazo')
,('mens|msj', 'mensaje')
,('mto', 'moto')
,('mv|mov', 'móvil')
,('mxo|muxo', 'mucho')
,('nl', 'en el')
,('olvdr', 'olvidar')
,('oprcn', 'operación')
,('pal', 'para el')
,('pco', 'poco')
,('pkñ', 'pequeño')
,('pqñ', 'pequeño')
,('pso', 'paso')
,('pdo', 'borrachera')
,('q', 'que')
,('qn', 'quien')
,('rmno', 'hermano')
,('rptlo', 'repítelo')
,('sq|esq', 'es que')
,('salu2', 'saludos')
,('sbdo', 'sábado')
,('sbs', 'sabes')
,('slmos', 'salimos')
,('spro', 'espero')
,('srt', 'suerte')
,('tas', 'estás')
,('tb', 'también')
,('tbj|trbjo', 'trabajo')
,('tjt', 'tarjeta')
,('tel|telfono', 'teléfono')
,('tv', 'televisión')
,('tng|tngo', 'tengo')
,('trd|trde', 'tarde')
,('vac|vacas', 'vacaciones')
,('vns', 'vienes')
,('vos', 'vosotros')
,('vrns', 'viernes')
,('vnir', 'venir')
,('verdd', 'verdad')
,('wpa|wapa', 'guapa')
,('xcierto', 'por cierto')
,('xdon', 'perdón')
,('xka', 'chica')
,('xko', 'chico')
,('xo', 'pero')
,('ymam', 'llámame')
,('stoy', 'estoy')
,('kdarme','quedarme')
,('n','en')
]
for s,t in jerga:
text = re.sub(r'\b{0}\b'.format(s), t, text)
return text
#Funcion limpiar el texto
def clean_text(text):
#---------Emoji patterns---------
emoji_pattern = re.compile("["
u"\U0001F600-\U0001F64F" # emoticons
u"\U0001F300-\U0001F5FF" # symbols & pictographs
u"\U0001F680-\U0001F6FF" # transport & map symbols
u"\U0001F1E0-\U0001F1FF" # flags (iOS)
u"\U00002702-\U000027B0"
u"\U000024C2-\U0001F251"
"]+", flags=re.UNICODE)
text_lw_pre = text.lower()
text_lw=text_lw_pre.decode(encoding)
text_m = re.sub(r'@[A-Za-z0-9]+','',text_lw) #Remove mentions (is already stored in mentions)
text_url = re.sub('https?://[A-Za-z0-9./]+','',text_m) #Remove urls
text_e = re.sub (emoji_pattern, '',text_url ) #Remove emojis
text_ml = (BeautifulSoup(text_e, 'lxml').get_text())
text_j = norm_jerga(text_ml)#Normalizar jerga internet
text_r = re.sub(r'(.)\1{2,}', r'\1\1', text_j) #Remove repeated characters
text_p = remove_punct(text_r) #Remove Punt
#Removing ...
re1 = r"…[\s]"
re2 = r"…$"
text_pp = re.sub(re2,'', re.sub (re1,' ', text_p))
text_til = text_pp#quitar_tildes(text_pp)
text_l = normalize_laughs(text_til)
tokens = nltk.word_tokenize(text_l) #Tokeniz
#Removing stop words in spanish
#Carlota: Añadido rt (aparece al comienzo de cada retweet)
stopwords_spanish = stopwords.words('spanish')
stopwords_spanish.extend(('rt','\u200d','https'))
stopwords_spanish.extend((list(string.ascii_lowercase))) #Añade el abecedario
tokens_stpw = list(filter(lambda x: x not in stopwords_spanish, tokens))
tokens_stpw_names = list(filter(lambda x: x not in spanish_names, tokens_stpw))
return tokens_stpw_names
#lista con nombres propios en español - eliminar en preprocess
df_fnames = pd.read_json('https://query.data.world/s/rr6djouhowpilvpxxqzbeyjroemoyp')
df_mnames = pd.read_json('https://query.data.world/s/5elfg6gzndy3qcsepzwxotmik7tvbm')
female_names = df_fnames['name'].to_list()
male_names = df_mnames['name'].to_list()
spanish_names = male_names+female_names
spanish_names = list(map(lambda x:x.lower(),spanish_names))
#Se pasa como argumento el nombre de la tabla de la base de datos a procesar
db_name_table = 'PostsCorMad'#str(argv[1])
m_user='david'
m_pass='password'
m_database='TwitterDisaster'
datapath='/home/davidpastor/Narrativas/CorMad/'
address='192.168.0.154'
address='127.0.0.1:3306'
encoding = 'utf-8'
#Lista con las palabras clave definidas
keywords_list = ['descarbonización','descarbonizacion','clima','climático','climatico','combustible', 'CO2', 'climática', 'climatica', 'transición energética', 'renovable', 'energía', 'energia', 'energético', 'energética', 'energetico', 'energetica']
keywords_list = ['coronavirus', 'Coronavirus', '#CoronavirusES', 'coronavirusESP', '#coronavirus', '#Coronavirus','covid19', '#covid19','Covid19', '#Covid19', 'covid-19', '#covid-19', 'COVID-19', '#COVID-19']
#keywords_list = ['ODS', 'sostenibilidad', 'desarrollo', 'sostenible', 'cooperación']
print(type(str (db_name_table)))
start=timer()
engine = create_engine('mysql+mysqlconnector://'+m_user+":"+m_pass+'@'+address+'/'+m_database,pool_recycle=3600)
#Reading database table to a dataframe
query = 'SELECT COUNT(*) FROM '+ db_name_table
data = pd.read_sql(query, engine)
nrows=data["COUNT(*)"][0]
dflist=[]
for i in range(0, nrows, 1000):
data = pd.read_sql("SELECT * FROM "+db_name_table+ " LIMIT "+str(i)+",1000", engine)
df = data.loc[:,('tweet_id','text','hashtags')]
#sanity check, let’s look at the length of the string in text column in each entry.
df['pre_clean_len'] = [len(t) for t in df['text']]
#Funcion limpiar el texto
#Crea una columna en el dataframe aplicando la funcion clean_text()
df['tokens_text'] = df['text'].apply(lambda x: clean_text(x))
dflist.append(df)
#Dataframe processed
dfwhole=pd.concat(dflist)
dfProcessed = dfwhole.loc[:,('tweet_id','tokens_text')]
#Save the processed dataframe to pickle - folder name dfs
path_dfs = 'pkls/dfs/'
dfProcessed.to_pickle(datapath+path_dfs+ db_name_table+'Processed.pkl')
#List of lists including all words --> frequency distribution
corpus_Post = list(itertools.chain.from_iterable(df['tokens_text'].to_list()))
#creacion del objeto FreqDist para el corpus construido
distFreq = nltk.FreqDist(corpus_Post)
#Convertirlo en dictionary para llamarlo en la creacion del grafo
dict_distFreqPost = dict(distFreq)
#Save to pickle en una carpeta que contiene los pkls (dictionaries)
path_dicts = 'pkls/dicts/'
with open(datapath+path_dicts+'distFreq'+db_name_table+'.pkl', 'wb') as f:
pickle.dump(dict_distFreqPost, f)
# ====== BUILD THE GRAPH ====== #
print('Building graph')
Gu=nx.Graph()
#Iterar tokens
for index, row in dfProcessed.iterrows():
tokens_list = row['tokens_text']
for kw in keywords_list:
if kw in tokens_list:
keyword = kw
for word in tokens_list:
if word != keyword:
relatedword = word
if not Gu.has_node(keyword):
Gu.add_node(keyword, freq = dict_distFreqPost.get(keyword, 1))
if not Gu.has_node(relatedword):
Gu.add_node(relatedword, freq = dict_distFreqPost.get(relatedword, 1))
if not Gu.has_edge(keyword,relatedword):
Gu.add_edge(keyword,relatedword)
#Flow
Gu[keyword][relatedword]['weight']=1
else:
Gu[keyword][relatedword]['weight']=Gu[keyword][relatedword]['weight']+1
print('Finalizado OK, saving')
path_graphs = ''
nx.write_gexf(Gu, datapath+path_graphs+db_name_table+'NetworkGraph.gexf')
with open(datapath+path_graphs+db_name_table+'Net.cnf', 'wb') as handle:
pickle.dump(Gu, handle, protocol=pickle.HIGHEST_PROTOCOL)
end = timer()
print(end - start)
print('Saved')