数据可视化

多年下来，我的Google Bookmarks里已经有近万条的书签。大部分内容是我在读过一遍之后就收藏起来的，也有很多看了一眼之后，觉得不错，然后收藏起来准备以后读的（当然，你也知道，再也没有打开过）。

有没有一个方法可以让我以可视化的方式，看到这些年我都学了那些东西呢？将书签列表作为源数据，然后将这些信息可视化出来会非常有意思：比如收藏夹中的热门词是什么，哪段时间收藏了多少条的书签（学习投入程度趋势）等等。

下图是我的书签中，排行前30的关键字排序。可以明显的看出，我对于JavaScript的喜爱程度相当高，对美食的喜爱也超过了python和linux。

bookmarks trending

这里我将使用python，结合python的一些库来实现书签可视化。简而言之，整个过程可以分成这样几个步骤：

  1. 将Google Bookmarks导出为本地文件
  2. 将书签文件解析为容易处理的内部格式（比如python的dict等）
  3. 由于书签中会有中文的句子，所以会涉及到分词
  4. 统计词语的频率，并绘制成图标

数据源

Google Bookmarks本身可以直接导出成HTML文件。该HTML文件包含了时间戳和书签的标题，我们可以通过python的库BeautifulSoup将HTML中的文本抽取出来：

from bs4 import BeautifulSoup

def load_bookmarks_data():
	soup = BeautifulSoup(open('bookmarks_10_21_15.html').read(), "html.parser")
	return soup.get_text()
	
if __name__ == "__main__":
	print load_bookmarks_data()

BeautifulSoup提供非常好用的API来抽取结构化文档中的内容。

bookmark titles

分词

BeautifulSoup获得的是一条条独立的句子，我们需要使用分词器将所有的句子分解成片段。这里我使用了jieba（结巴分词）分词器来完成这个任务：

import jieba

data = "我在出报表，你的博客写的怎么样了"
seg_list = jieba.cut(data, cut_all=False)

for seg in seg_list:
     print seg

将会输出：

我
在
出
报表
，
你
的
博客
写
的
怎么样
了

我们定义一个方法来将上一步中的文本分词：


def extract_segments(data):
	seg_list = jieba.cut(data, cut_all=False)
	return [seg.strip().lower() for seg in seg_list if len(seg) > 1]

分词之后，我们将单词转换为小写，并剔除掉那些长度小于1的字符串。这样可以保证所有的词都是词语。python的list推导式写起来非常简洁，一行代码就完成了过滤和映射的工作。

可视化

有了分好的词之后，只需要统计每个词出现的频率，然后按照频率来绘制图表。我们使用python标准库中的Counter来实现：

from collections import Counter

def tokenize():	
	filtered = extract_segments(load_bookmarks_data())
	return Counter([word for word in filtered])

要获取前N个，只需要使用most_common(N)即可：

tokenize().most_common(10)

[(u'and', 552), (u'the', 501), (u'with', 485), (u'to', 446), (u'javascript', 432), (u'in', 330), (u'for', 308), (u'...', 270), (u'java', 270), (u'blog', 269)]

有了数据之后，使用matplotlib做一个简单的bar图标：

import matplotlib
import matplotlib.pyplot as plt

from pandas import DataFrame

def visualize():
	frame = DataFrame(tokenize().most_common(20), columns=['keywords', 'frequencies'])

	ax = frame.plot(kind='bar')
	
	plt.savefig('bookmarks_trending.png', format='png', dpi=600)

stopwords

不过，上图中有很多噪音信息，如and, the等，这些在所有文章中都会出现的词并没有实际意义，统称为stopwords。通常在计算过程中会将其忽略：


def tokenize():	
	stoplist = ['i', 'me', 'my', 'myself', 'we', 'our', 'ours', 'ourselves', 'you', 'your', 'yours', 'yourself', 'yourselves', 'he', 'him', 'his', 'himself', 'she', 'her', 'hers', 'herself', 'it', 'its', 'itself', 'they', 'them', 'their', 'theirs', 'themselves', 'what', 'which', 'who', 'whom', 'this', 'that', 'these', 'those', 'am', 'is', 'are', 'was', 'were', 'be', 'been', 'being', 'have', 'has', 'had', 'having', 'do', 'does', 'did', 'doing', 'a', 'an', 'the', 'and', 'but', 'if', 'or', 'because', 'as', 'until', 'while', 'of', 'at', 'by', 'for', 'with', 'about', 'against', 'between', 'into', 'through', 'during', 'before', 'after', 'above', 'below', 'to', 'from', 'up', 'down', 'in', 'out', 'on', 'off', 'over', 'under', 'again', 'further', 'then', 'once', 'here', 'there', 'when', 'where', 'why', 'how', 'all', 'any', 'both', 'each', 'few', 'more', 'most', 'other', 'some', 'such', 'no', 'nor', 'not', 'only', 'own', 'same', 'so', 'than', 'too', 'very', 's', 't', 'can', 'will', 'just', 'don', 'should', 'now']
	stoplist.extend(['...', 'com', 'using', u'使用', 'blog', u'博客', u'博客园', u'做法', u'论坛', 'part', u'部分', u'天下'])
	filtered = extract_segments(load_bookmarks_data())
	
	return Counter([word for word in filtered if word not in stoplist])

重新绘制即可获得上文中的图：

bookmarks trending

完整的代码请参考这里。