chat miner

---

chat-miner : transformez vos discussions en œuvres d'art

---

chat-miner fournit des analyseurs allégés pour toutes les principales plates-formes transformant les discussions en dataframes. Les visualisations artistiques vous permettent d'explorer vos données et de créer des illustrations à partir de vos discussions.

1.Installation

La dernière version incluant les dépendances peut être installée via PyPI :

pip install chat-miner

Si vous souhaitez contribuer, exécuter le dernier code source ou simplement tout construire vous-même :

git clone https://github.com/joweich/chat-miner.git
cd chat-miner
pip install . 

2. Exportation des journaux de discussion

Jetez un œil aux didacticiels officiels pour WhatsApp, Signal, Telegram, Facebook Messenger ou Instagram Chats pour savoir comment exporter les journaux de discussion pour votre plateforme.

3. Analyse

Le code suivant présente le module WhatsAppParser . L'utilisation de SignalParser , TelegramJsonParser , FacebookMessengerParser et InstagramJsonParser suit le même modèle.

 from chatminer . chatparsers import WhatsAppParser

parser = WhatsAppParser ( FILEPATH )
parser . parse_file ()
df = parser . parsed_messages . get_df ( as_pandas = True ) # as_pandas=False returns polars dataframe

Remarque : en fonction de votre système source, Python nécessite de convertir le chemin du fichier en chaîne brute.

 import os
FILEPATH = r"C:UsersUsernamechat.txt" # Windows
FILEPATH = "/home/username/chat.txt" # Unix
assert os . path . isfile ( FILEPATH )

4. Visualiser

 import chatminer . visualizations as vis
import matplotlib . pyplot as plt

4.1 Heatmap : nombre de messages par jour

 fig , ax = plt . subplots ( 2 , 1 , figsize = ( 9 , 3 ))
ax [ 0 ] = vis . calendar_heatmap ( df , year = 2020 , cmap = 'Oranges' , ax = ax [ 0 ])
ax [ 1 ] = vis . calendar_heatmap ( df , year = 2021 , linewidth = 0 , monthly_border = True , ax = ax [ 1 ])

4.2 Sunburst : nombre de messages par jour

 fig , ax = plt . subplots ( 1 , 2 , figsize = ( 7 , 3 ), subplot_kw = { 'projection' : 'polar' })
ax [ 0 ] = vis . sunburst ( df , highlight_max = True , isolines = [ 2500 , 5000 ], isolines_relative = False , ax = ax [ 0 ])
ax [ 1 ] = vis . sunburst ( df , highlight_max = False , isolines = [ 0.5 , 1 ], color = 'C1' , ax = ax [ 1 ])

4.3 Wordcloud : fréquences des mots

 fig , ax = plt . subplots ( figsize = ( 8 , 3 ))
stopwords = [ 'these' , 'are' , 'stopwords' ]
kwargs = { "background_color" : "white" , "width" : 800 , "height" : 300 , "max_words" : 500 }
ax = vis . wordcloud ( df , ax = ax , stopwords = stopwords , ** kwargs )

4.4 Graphique radar : nombre de messages par jour de la semaine

 if not vis . is_radar_registered ():
	vis . radar_factory ( 7 , frame = "polygon" )
fig , ax = plt . subplots ( 1 , 2 , figsize = ( 7 , 3 ), subplot_kw = { 'projection' : 'radar' })
ax [ 0 ] = vis . radar ( df , ax = ax [ 0 ])
ax [ 1 ] = vis . radar ( df , ax = ax [ 1 ], color = 'C1' , alpha = 0 )

5. Traitement du langage naturel

5.1 Ajouter des sentiments

 from chatminer . nlp import add_sentiment

df_sentiment = add_sentiment ( df )

5.2 Exemple de tracé : sentiment par auteur dans le chat de groupe

 df_grouped = df_sentiment . groupby ([ 'author' , 'sentiment' ]). size (). unstack ( fill_value = 0 )
ax = df_grouped . plot ( kind = 'bar' , stacked = True , figsize = ( 8 , 3 ))

6. Interface de ligne de commande

La CLI prend en charge l'analyse des journaux de discussion dans des fichiers CSV. Pour l’instant, vous ne pouvez pas créer de visualisations directement à partir de la CLI.

Exemple d'utilisation :

$ chatminer -p whatsapp -i exportfile.txt -o output.csv

Guide d'utilisation :

 usage: chatminer [-h] [-p {whatsapp,instagram,facebook,signal,telegram}] [-i INPUT] [-o OUTPUT]

options:
  -h, --help 
                        Show this help message and exit
  -p {whatsapp,instagram,facebook,signal,telegram}, --parser {whatsapp,instagram,facebook,signal,telegram}
                        The platform from which the chats are imported
  -i INPUT, --input INPUT
                        Input file to be processed
  -o OUTPUT, --output OUTPUT
                        Output file for the results