大数据分析-数据收集

数据收集在大数据周期中扮演着最重要的角色。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，但是传统行业可以获取多种外部数据源，并将其与交易数据相结合。

例如，假设我们要构建一个推荐餐厅的系统。第一步是收集数据，在这种情况下，是来自不同网站的餐厅评论，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，因此用于存储模型开发数据的位置并不重要。这听起来可能与大数据主要技术相矛盾，但是为了实现大数据应用程序，我们只需要使其实时工作即可。

Twitter的迷你项目

定义问题后，接下来的阶段是收集数据。以下微型项目的想法是致力于从Web上收集数据并将其构造为在机器学习模型中使用。我们将使用R编程语言从twitter rest API中收集一些推文。

首先创建一个Twitter帐户，然后按照twitteR包插图中的说明创建一个Twitter开发者帐户。这是这些说明的摘要-

• 转到https://twitter.com/apps/new并登录。

• 填写基本信息后，转到“设置”选项卡，然后选择“读取，写入和访问直接消息”。

• 完成此操作后，请确保单击“保存”按钮。

• 在“详细信息”标签中，记下您的消费者密钥和消费者秘密

• 在您的R会话中，您将使用API​​密钥和API机密值

• 最后运行以下脚本。这将从其在github上的存储库安装twitteR软件包。

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，并找出与此相关的主题。为此，第一步是从Twitter收集数据。以下是我们的R脚本，用于从Twitter收集所需的数据。此代码也可在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