دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python Social Media Analytics: Analyze and visualize data from Twitter, Youtube, GitHub, and more
دانلود کتاب تجزیه و تحلیل رسانه های اجتماعی Python: تجزیه و تحلیل و تجسم داده های Twitter ، Youtube ، GitHub و موارد دیگر
مشخصات کتاب
Python Social Media Analytics: Analyze and visualize data from Twitter, Youtube, GitHub, and more
ویرایش:
نویسندگان: Siddhartha Chatterjee. Michal Krystyanczuk
سری:
ISBN (شابک) : 9781787121485, 1787121488
ناشر: Packt Publishing
سال نشر: 2017
تعداد صفحات: 307
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 12 مگابایت
قیمت کتاب (تومان) : 29,000
در صورت تبدیل فایل کتاب Python Social Media Analytics: Analyze and visualize data from Twitter, Youtube, GitHub, and more به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل رسانه های اجتماعی Python: تجزیه و تحلیل و تجسم داده های Twitter ، Youtube ، GitHub و موارد دیگر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب تجزیه و تحلیل رسانه های اجتماعی Python: تجزیه و تحلیل و تجسم داده های Twitter ، Youtube ، GitHub و موارد دیگر
از قدرت پایتون برای جمع‌آوری، پردازش و استخراج بینش‌های عمیق از داده‌های رسانه‌های اجتماعی درباره این کتاب استفاده کنید * داده‌ها را از پلتفرم‌های رسانه‌های اجتماعی مختلف مانند فیس‌بوک، توییتر، یوتیوب، گیت‌هاب، و موارد دیگر به دست آورید. داده ها با استفاده از ابزارهای مختلف پایتون * راهنمای بسیار کاربردی برای انجام تجزیه و تحلیل رسانه های اجتماعی کارآمد در مقیاس این کتاب برای چه کسی است اگر شما یک برنامه نویس یا یک تحلیلگر داده آشنا با زبان برنامه نویسی پایتون هستید و می خواهید تجزیه و تحلیل داده های اجتماعی خود را انجام دهید تا با ارزش به دست آورید. بینش های تجاری، این کتاب برای شماست. این کتاب هیچ دانش قبلی از هیچ ابزار یا فرآیند تجزیه و تحلیل داده ها را فرض نمی کند. آنچه یاد خواهید گرفت * اصول استخراج رسانه های اجتماعی را بدانید * از PyMongo برای پاکسازی، ذخیره و دسترسی به داده ها در MongoDB استفاده کنید * واکنش های کاربر و تشخیص احساسات در فیس بوک را درک کنید * انجام تجزیه و تحلیل احساسات توییتر و شناسایی موجودیت با استفاده از Python * تجزیه و تحلیل عملکرد ویدئو و کمپین در یوتیوب * روندهای محبوب را در GitHub استخراج کنید و فناوری بزرگ بعدی را پیش بینی کنید * استخراج موضوعات مکالمه در انجمن های اینترنتی عمومی * تجزیه و تحلیل علایق کاربران در Pinterest * انجام تجزیه و تحلیل رسانه های اجتماعی در مقیاس بزرگ در فضای ابری با جزئیات پلت فرم های رسانه های اجتماعی مانند فیس بوک، توییتر، انجمن ها، پینترست و یوتیوب تا حد زیادی به بخشی از زندگی روزمره تبدیل شده اند. با این حال، این جریان‌های داده‌های پیچیده و پر سر و صدا، در مورد استفاده صحیح از آنها و بهره‌برداری از آنها، چالشی قوی برای همه ایجاد می‌کنند. این کتاب شما را با مفهوم تجزیه و تحلیل رسانه های اجتماعی آشنا می کند و اینکه چگونه می توانید از قابلیت های آن برای تقویت کسب و کار خود استفاده کنید. درست از به دست آوردن داده ها از منابع مختلف شبکه های اجتماعی مانند توییتر، فیس بوک، یوتیوب، پینترست و انجمن های اجتماعی، خواهید دید که چگونه داده ها را تمیز کرده و با استفاده از API های مختلف پایتون برای عملیات های تحلیلی آماده کنید. این کتاب چگونگی ساختار داده های تمیز به دست آمده و ذخیره در MongoDB با استفاده از PyMongo را توضیح می دهد. همچنین با استفاده از Scrappy و Beautifulsoup، اسکراپی وب را انجام داده و داده ها را تجسم خواهید کرد. در نهایت، با تکنیک های مختلفی برای انجام تجزیه و تحلیل در مقیاس داده های اجتماعی خود در فضای ابری، با استفاده از پایتون و اسپارک آشنا خواهید شد. در پایان این کتاب، شما می توانید از قدرت پایتون برای به دست آوردن بینش های ارزشمند از داده های رسانه های اجتماعی و استفاده از آنها برای بهبود فرآیندهای کسب و کار خود استفاده کنید. سبک و رویکرد این کتاب یک رویکرد گام به گام را دنبال می کند تا مفاهیم تجزیه و تحلیل رسانه های اجتماعی را با استفاده از زبان برنامه نویسی پایتون به خوانندگان آموزش دهد. برای توضیح فرآیندهای مختلف تجزیه و تحلیل داده ها، از مجموعه داده های دنیای واقعی هر جا که لازم باشد استفاده می شود.
توضیحاتی درمورد کتاب به خارجی
Leverage the power of Python to collect, process, and mine deep insights from social media data About This Book * Acquire data from various social media platforms such as Facebook, Twitter, YouTube, GitHub, and more * Analyze and extract actionable insights from your social data using various Python tools * A highly practical guide to conducting efficient social media analytics at scale Who This Book Is For If you are a programmer or a data analyst familiar with the Python programming language and want to perform analyses of your social data to acquire valuable business insights, this book is for you. The book does not assume any prior knowledge of any data analysis tool or process. What You Will Learn * Understand the basics of social media mining * Use PyMongo to clean, store, and access data in MongoDB * Understand user reactions and emotion detection on Facebook * Perform Twitter sentiment analysis and entity recognition using Python * Analyze video and campaign performance on YouTube * Mine popular trends on GitHub and predict the next big technology * Extract conversational topics on public internet forums * Analyze user interests on Pinterest * Perform large-scale social media analytics on the cloud In Detail Social Media platforms such as Facebook, Twitter, Forums, Pinterest, and YouTube have become part of everyday life in a big way. However, these complex and noisy data streams pose a potent challenge to everyone when it comes to harnessing them properly and benefiting from them. This book will introduce you to the concept of social media analytics, and how you can leverage its capabilities to empower your business. Right from acquiring data from various social networking sources such as Twitter, Facebook, YouTube, Pinterest, and social forums, you will see how to clean data and make it ready for analytical operations using various Python APIs. This book explains how to structure the clean data obtained and store in MongoDB using PyMongo. You will also perform web scraping and visualize data using Scrappy and Beautifulsoup. Finally, you will be introduced to different techniques to perform analytics at scale for your social data on the cloud, using Python and Spark. By the end of this book, you will be able to utilize the power of Python to gain valuable insights from social media data and use them to enhance your business processes. Style and approach This book follows a step-by-step approach to teach readers the concepts of social media analytics using the Python programming language. To explain various data analysis processes, real-world datasets are used wherever required.
فهرست مطالب
Cover......Page 1
Copyright......Page 3
Credits......Page 4
About the Authors......Page 5
Acknowledgments......Page 6
About the Reviewer......Page 7
www.PacktPub.com......Page 8
Customer Feedback......Page 9
Table of Contents......Page 10
Preface......Page 16
Chapter 1: Introduction to the Latest Social Media Landscape and Importance......Page 22
Introducing social graph......Page 24
Social impacts......Page 25
Delving into social data......Page 26
Defining the semantic web......Page 27
Exploring social data applications......Page 28
Understanding the process......Page 29
Working environment......Page 31
Illustrating Git......Page 32
Scraping and crawling......Page 33
Brief introduction to machine learning......Page 34
Techniques for social media analysis......Page 35
Getting started with the toolset......Page 36
Summary......Page 37
Chapter 2: Harnessing Social Data - Connecting, Capturing, and Cleaning......Page 38
RESTful API......Page 39
Advantages of social media APIs......Page 40
Connecting principles of APIs......Page 41
Application authentication......Page 42
Why do we need to use OAuth?......Page 43
Practical usage of OAuth......Page 44
Creating application......Page 45
Selecting the endpoint......Page 46
Using requests to connect......Page 47
Facebook......Page 48
Selecting the endpoint......Page 49
Connect to the API......Page 50
Obtaining OAuth tokens programmatically......Page 51
Selecting the endpoint......Page 52
Connecting to the API......Page 53
Creating an application and obtaining an access token programmatically......Page 54
Selecting the endpoint......Page 55
Connecting to the API......Page 56
Selecting the endpoint......Page 57
Connecting to the API......Page 58
Data type and encoding......Page 59
Pre-processing and text normalization......Page 60
Duplicate removal......Page 63
MongoDB to store and access social data......Page 66
Setting up the environment......Page 67
MongoDB using Python......Page 68
Summary......Page 71
Chapter 3: Uncovering Brand Activity, Popularity, and Emotions on Facebook......Page 72
Facebook brand page......Page 73
The Facebook API......Page 74
Scope and process......Page 75
Step 1 – data extraction......Page 76
Step 2 – data pull......Page 78
Step 3 – feature extraction......Page 80
Step 4 – content analysis......Page 83
Keywords......Page 84
Extracting verbatims for keywords......Page 87
User keywords......Page 88
Brand posts......Page 89
User hashtags......Page 92
Noun phrases......Page 93
Brand posts......Page 94
User comments......Page 96
Detecting trends in time series......Page 97
Maximum shares......Page 100
User comments......Page 101
Brand posts......Page 102
Uncovering emotions......Page 103
Setting up an application......Page 104
Applying Alchemy API......Page 109
Summary......Page 112
Chapter 4: Analyzing Twitter Using Sentiment Analysis and Entity Recognition......Page 113
Scope and process......Page 114
Data extraction......Page 115
REST API Search endpoint......Page 116
Rate Limits......Page 120
Streaming API......Page 121
Data cleaning......Page 122
Sentiment analysis......Page 127
Customized sentiment analysis......Page 130
Labeling the data......Page 131
Creating the model......Page 132
Confusion matrix......Page 133
K-fold cross-validation......Page 134
Named entity recognition......Page 135
Installing NER......Page 136
Combining NER and sentiment analysis......Page 139
Summary......Page 140
Chapter 5: Campaigns and Consumer Reaction Analytics on YouTube – Structured and Unstructured......Page 141
Getting the data......Page 142
How to get a YouTube API key......Page 143
Data pull......Page 147
Data processing......Page 154
Data analysis......Page 157
Sentiment analysis in time......Page 158
Sentiment by weekday......Page 160
Comments in time......Page 161
Number of comments by weekday......Page 163
Summary......Page 164
Chapter 6: The Next Great Technology – Trends Mining on GitHub......Page 166
Scope and process......Page 167
Connection to GitHub......Page 168
Data pull......Page 169
Textual data......Page 171
Numerical data......Page 173
Data analysis......Page 174
Top technologies......Page 175
Programming languages......Page 178
Programming languages used in top technologies......Page 179
Top repositories by technology......Page 181
Comparison of technologies in terms of forks, open issues, size, and watchers count......Page 183
Forks versus open issues......Page 184
Forks versus size......Page 186
Forks versus watchers......Page 187
Open issues versus Size......Page 188
Open issues versus Watchers......Page 189
Size versus watchers......Page 190
Summary......Page 191
Chapter 7: Scraping and Extracting Conversational Topics on Internet Forums......Page 192
Scope and process......Page 193
Introduction to scraping......Page 194
How it works......Page 195
Related tools......Page 196
Creating spiders......Page 198
Teamspeed forum spider......Page 199
Data cleaning......Page 206
Part-of-speech extraction......Page 207
Introduction to topic models......Page 210
Latent Dirichlet Allocation......Page 211
Applying LDA to forum conversations......Page 212
Topic interpretation......Page 217
Summary......Page 226
Chapter 8: Demystifying Pinterest through Network Analysis of Users Interests......Page 227
Pinterest API......Page 228
Step 2 - getting your authorization code (access code)......Page 229
Step 3 - exchanging the access code for an access token......Page 230
Step 4 - testing the connection......Page 231
Getting Pinterest API data......Page 232
Scraping Pinterest search results......Page 234
Building a scraper with Selenium......Page 235
Pinterest API data......Page 241
Bigram extraction......Page 242
Building a graph......Page 244
Bigram extraction......Page 248
Building a graph......Page 249
Understanding relationships between our own topics......Page 252
Finding influencers......Page 259
Community structure......Page 264
Summary......Page 267
Chapter 9: Social Data Analytics at Scale – Spark and Amazon Web Services......Page 268
Different scaling methods and platforms......Page 269
Parallel computing......Page 270
Distributed computing with Celery......Page 271
Celery multiple node deployment......Page 275
Distributed computing with Spark......Page 277
Text mining With Spark......Page 280
Topic models at scale......Page 283
Spark on the Cloud – Amazon Elastic MapReduce......Page 286
Summary......Page 301
Index......Page 302
