仅供参考，从我的分布图
微信头像分布图
不过可以注意到，在所有微信好友中，约有接近1/4的微信好友使用了人脸头像， 而有接近3/4的微信好友没有人脸头像，这说明在所有微信好友中对”颜值 “有自信的人，仅仅占到好友总数的25%，或者说75%的微信好友行事风格偏低调为主，不喜欢用人脸头像做微信头像。这是否说明”好看的皮囊”并非是千篇一律，长得好看的人实在是少数中的少数。所以，当女生的妆容越来越向着”韩式半永久粗平眉”、”瓜子脸”和”大红唇”靠拢的时候，当男生的服饰越来越向着”大背头”、”高领毛衣”和”长款大衣”靠拢的时候，我们能不能真正得个性一次。生命中有太多被世俗绑架着的事情，既要和别人不一样 ，同时还要和大多数人一样，这是人生在世的无可奈何。考虑到腾讯优图并不能真正得识别”人脸”，我们这里对好友头像中的标签再次进行提取，来帮助我们了解微信好友的头像中有哪些 关键词，其分析结果如图所示：
微信头像词云分布图
你瞧！除了女孩，女孩，男孩，合影，合影还有天空，大海，卡通画嘛
def analyseHeadImage(frineds):
Init Path
basePath = os.path.abspath(‘.’)
baseFolder = basePath + ‘\HeadImages\’
if(os.path.exists(baseFolder) == False):
os.makedirs(baseFolder)
Analyse Images
faceApi = FaceAPI()
use_face = 0
not_use_face = 0
image_tags = ‘’
for index in range(1,len(friends)):
friend = friends[index]
Save HeadImages
imgFile = baseFolder + ‘\Image%s.jpg’ % str(index)
imgData = itchat.get_head_img(userName = friend[‘UserName’])
if(os.path.exists(imgFile) == False):
with open(imgFile,‘wb’) as file:
file.write(imgData)
Detect Faces
time.sleep(1)
result = faceApi.detectFace(imgFile)
if result == True:
use_face += 1
else:
not_use_face += 1
Extract Tags
result = faceApi.extractTags(imgFile)
image_tags += ‘,’.join(list(map(lambda x:x[‘tag_name’],result)))
labels = [u’使用人脸头像’,u’不使用人脸头像’]
counts = [use_face,not_use_face]
colors = [‘red’,‘yellowgreen’,‘lightskyblue’]
plt.figure(figsize=(8,5), dpi=80)
plt.axes(aspect=1)
plt.pie(counts, #性别统计结果
labels=labels, #性别展示标签
colors=colors, #饼图区域配色
labeldistance = 1.1, #标签距离圆点距离
autopct = ‘%3.1f%%’, #饼图区域文本格式
shadow = False, #饼图是否显示阴影
startangle = 90, #饼图起始角度
pctdistance = 0.6 #饼图区域文本距离圆点距离
)
plt.legend(loc=‘upper right’,)
plt.title(u’%s的微信好友使用人脸头像情况’ % friends[0][‘NickName’])
plt.show()
image_tags = image_tags.encode(‘iso8859-1’).decode(‘utf-8’)
back_coloring = np.array(Image.open(‘face.jpg’))
wordcloud = WordCloud(
font_path=‘simfang.ttf’,
background_color=“white”,
max_words=1200,
mask=back_coloring,
max_font_size=75,
random_state=45,
width=800,
height=480,
margin=15
)
wordcloud.generate(image_tags)
plt.imshow(wordcloud)
plt.axis(“off”)
plt.show()
3.微信好友签名分析
==========
分析好签名，签名是好友信息中最为丰富的文本信息，按照人类惯用的”贴标签”的方法论，签名可以分析出某一个人在某一段时间里状态，就像人开心了会笑、哀伤了会哭，哭和笑两种标签，分别表明了人开心和哀伤的状态。这里我们对签名做两种处理，第一种是使用用结巴分词进行分词后生成词云，目的是了解好友签名中的关键字有哪些，哪一个关键字出现的频率相对较高；第二种是使用SnowNLP分析好友签名中的感情倾向，即好友签名整体上是表现为正面的、负面的还是中立的，各自的比重是多少。这里提取Signature字段即可
image
通过词云，我们可以发现：在微信好友的签名信息中，出现频率相对较高的关键词有：人生，生命，努力、前行，战略，坚强，美丽。果然我的微信好友都是温暖、正直的好青年啊！ 其实，签名这个设定，从某种程度上是在反映人的一种心态，人在年轻时不免”为赋新词强说愁”，等到你真正到了这个精神境界，突然发现年轻时图样图森破，或许这就是我们不愿意让别人了解过去的原因，因为伴随着人的成长，某一种瞬间的状态简直不忍直视，QQ空间陪伴了我们这代人的整个青春，令人印象深刻的”那年今日”功能，有时让我们感到回忆的温暖，有时让我们感到岁月的萧杀，”当时只道是寻常”的物是人非，”回首向来萧瑟处”的淡定从容，”今夕复何夕”的失落惆怅……都在这一行行签名里留下深深浅浅的印记。在知乎上有关于签名的话题讨论，对此感兴趣的朋友不妨找时间看看。:
image
通过柱状图，我们可以发现：在微信好友的签名信息中，正面积极的情感判断约占到55.56%，中立的情感判断约占到32.10%，负面消极的情感判断约占到12.35%。这个结果和我们通过词云展示的结果基本吻合，这说明在微信好友的签名信息中，约有87.66%的签名信息，传达出来都是一种积极向上的态度。朋友圈中基本上有两类用户，第一类用户使用朋友圈记录自己的生活，第二类用户使用朋友圈输出自己的观点。显然，对于第二类用户，它并不介意别人了解它的过去，它更在乎它从始至终输出的观点是否一致。所以，不管朋友圈里别人在或晒美食、或晒旅游、或秀恩爱、或晒宝宝、或煲鸡汤等等，在我看来这都是一种生活方式，精神层次和物质层次比你高的人群，觉得你朋友圈里的内容”无趣”，这是符合人类一贯的认知方式的，在大多数情况下，反而是那些和你层次差不多的人群，对不熟悉的人或者事物妄加判断，如果你不喜欢我朋友圈里的内容，请直接屏蔽我就好，因为这样我们还可以做朋友；如果你因为喜欢A而在我这里和我说B不好，这就真的是三观不合啦。我相信没有完全兴趣匹配的两个人，即使是男女朋友或者情侣之间，总之人与人相处嘛，真诚和互相尊重是基本要求。
代码附上：
def analyseSignature(friends):
signatures = ‘’
emotions = []
pattern = re.compile(“1f\d.+”)
for friend in friends:
signature = friend[‘Signature’]
if(signature != None):
signature = signature.strip().replace(‘span’, ‘’).replace(‘class’, ‘’).replace(‘emoji’, ‘’)
signature = re.sub(r’1f(\d.+)‘,’',signature)
if(len(signature)>0):
nlp = SnowNLP(signature)
emotions.append(nlp.sentiments)
signatures += ’ '.join(jieba.analyse.extract_tags(signature,5))
with open(‘signatures.txt’,‘wt’,encoding=‘utf-8’) as file:
file.write(signatures)
Sinature WordCloud
back_coloring = np.array(Image.open(‘flower.jpg’))
wordcloud = WordCloud(
font_path=‘simfang.ttf’,
background_color=“white”,
max_words=1200,
mask=back_coloring,
max_font_size=75,
random_state=45,
width=960,
height=720,
margin=15
)
wordcloud.generate(signatures)
plt.imshow(wordcloud)
plt.axis(“off”)
plt.show()
wordcloud.to_file(‘signatures.jpg’)
Signature Emotional Judgment
count_good = len(list(filter(lambda x:x>0.66,emotions)))
count_normal = len(list(filter(lambda x:x>=0.33 and x<=0.66,emotions)))
count_bad = len(list(filter(lambda x:x<0.33,emotions)))
labels = [u’负面消极’,u’中性’,u’正面积极’]
values = (count_bad,count_normal,count_good)
plt.rcParams[‘font.sans-serif’] = [‘simHei’]
plt.rcParams[‘axes.unicode_minus’] = False
plt.xlabel(u’情感判断’)
plt.ylabel(u’频数’)
plt.xticks(range(3),labels)
plt.legend(loc=‘upper right’,)
plt.bar(range(3), values, color = ‘rgb’)
plt.title(u’%s的微信好友签名信息情感分析’ % friends[0][‘NickName’])
plt.show()
4.微信好友分布
========
分析好友位置，主要通过提取Province和City这两个字段。本来想用pyecharts来实现，但是由于最近政策原因不能导出地图，参照网上的一些意见发现BDP在线制图非常好用，0编程门槛，拖拽使用，一键下载，所以首先将数据存储在csv上传到这个在线制图网站。
微信好友全国分布图
微信好友省份分布图
上图是BDP中生成的微信好友地理分布图，可以发现：我的微信好友主要集中在北上广深啊哈哈，可以小见大中国的互联网分布主要还是在这些一线沿海地区，找工作在这些区域也会更加便利
def analyseLocation(friends):
headers = [‘NickName’,‘Province’,‘City’]
with open(‘location.csv’,‘w’,encoding=‘utf-8’,newline=‘’,) as csvFile:
writer = csv.DictWriter(csvFile, headers)
writer.writeheader()
for friend in friends[1:]:
row = {}
row[‘NickName’] = friend[‘NickName’]
row[‘Province’] = friend[‘Province’]
row[‘City’] = friend[‘City’]
writer.writerow(row)
5. 微信好友全家福
===========
通过下载好友头像进行拼接，做成一张好友头像全家福，快来看一看有没有你呀！ （ps：不知道这个有没有侵犯你的隐私，如果觉得有冒犯来跟我说一下哦，我来删除或打码）
微信好友全家福
import itchat
一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
二、Python必备开发工具
工具都帮大家整理好了，安装就可直接上手！
三、最新Python学习笔记
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、Python视频合集
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
六、面试宝典
简历模板
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
