大数据分析 - 数据收集

数据收集在大数据周期中发挥着最重要的作用。互联网为各种主题提供了几乎无限的数据源。该领域的重要性取决于业务类型，但传统行业可以获取多种外部数据源并将其与交易数据结合起来。

例如，假设我们想要构建一个推荐餐馆的系统。第一步是收集数据，在本例中是收集来自不同网站的餐馆评论并将其存储在数据库中。由于我们对原始文本感兴趣，并将其用于分析，因此用于开发模型的数据存储在何处并不那么相关。这听起来可能与大数据主要技术相矛盾，但为了实现大数据应用，我们只需要让它实时工作。

推特迷你项目

定义问题后，下一步就是收集数据。以下小型项目的想法是致力于从网络收集数据并将其结构化以用于机器学习模型。我们将使用 R 编程语言从 twitter Rest API 收集一些推文。

首先创建一个 twitter 帐户，然后按照twitteR包vignette中的说明创建一个 twitter 开发者帐户。这是这些说明的摘要 -

前往https://twitter.com/apps/new并登录。
填写基本信息后，进入“设置”选项卡，选择“读取、写入和访问私信”。
执行此操作后请务必单击“保存”按钮
在“详细信息”选项卡中，记下您的消费者密钥和消费者秘密
在 R 会话中，您将使用 API 密钥和 API 秘密值
最后运行以下脚本。这将从github 上的存储库安装twitteR包。

install.packages(c("devtools", "rjson", "bit64", "httr"))  

# Make sure to restart your R session at this point 
library(devtools) 
install_github("geoffjentry/twitteR")

我们有兴趣获取包含字符串“big mac”的数据，并找出哪些主题在此方面脱颖而出。为此，第一步是从 Twitter 收集数据。下面是我们的 R 脚本，用于从 Twitter 收集所需的数据。此代码也可以在 bda/part1/collect_data/collect_data_twitter.R 文件中找到。

rm(list = ls(all = TRUE)); gc() # Clears the global environment
library(twitteR)
Sys.setlocale(category = "LC_ALL", locale = "C")

### Replace the xxx’s with the values you got from the previous instructions

# consumer_key = "xxxxxxxxxxxxxxxxxxxx"
# consumer_secret = "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

# access_token = "xxxxxxxxxx-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

# access_token_secret= "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

# Connect to twitter rest API
setup_twitter_oauth(consumer_key, consumer_secret, access_token, access_token_secret)

# Get tweets related to big mac
tweets <- searchTwitter(’big mac’, n = 200, lang = ’en’)
df <- twListToDF(tweets)

# Take a look at the data
head(df)

# Check which device is most used
sources <- sapply(tweets, function(x) x$getStatusSource())
sources <- gsub("</a>", "", sources)
sources <- strsplit(sources, ">")
sources <- sapply(sources, function(x) ifelse(length(x) > 1, x[2], x[1]))
source_table = table(sources)
source_table = source_table[source_table > 1]
freq = source_table[order(source_table, decreasing = T)]
as.data.frame(freq)

#                       Frequency
# Twitter for iPhone       71
# Twitter for Android      29
# Twitter Web Client       25
# recognia                 20