如何用Python了解微信好友

如何用Python了解微信好友，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

用了微信几年了，微信号有也不少了，但是真正了解自己的好友吗?好友最多的城市是哪个?好友男女比例是多少?好友签名都是什么?今天我们来充分了解自己的微信好友。

运行平台： Windows

Python版本： Python3.6

IDE： Sublime Text

1、准备工作

1.1 库介绍

只有登录微信才能获取到微信好友的信息，本文采用wxpy该第三方库进行微信的登录以及信息的获取。

wxpy 在 itchat 的基础上，通过大量接口优化提升了模块的易用性，并进行丰富的功能扩展。

wxpy一些常见的场景：

• 控制路由器、智能家居等具有开放接口的玩意儿

• 运行脚本时自动把日志发送到你的微信

• 加群主为好友，自动拉进群中

• 跨号或跨群转发消息

• 自动陪人聊天

• 逗人玩

总而言之，可用来实现各种微信个人号的自动化操作。

1.2 wxpy库安装

wxpy 支持 Python 3.4-3.6，以及 2.7 版本

将下方命令中的 “pip” 替换为 “pip3” 或 “pip2”，可确保安装到对应的 Python 版本中

从 PYPI 官方源下载安装 (在国内可能比较慢或不稳定):

pip install -U wxpy

从豆瓣 PYPI 镜像源下载安装 (推荐国内用户选用):

pip install -U wxpy -i "https://pypi.doubanio.com/simple/"

1.3 登录微信

wxpy中有一个机器人对象，机器人 Bot 对象可被理解为一个 Web 微信客户端。Bot 在初始化时便会执行登陆操作，需要手机扫描登陆。

通过机器人对象 Bot 的 chats(), friends()，groups(), mps() 方法, 可分别获取到当前机器人的  所有聊天对象、好友、群聊，以及公众号列表。

本文主要通过friends()获取到所有好友信息，然后进行数据的处理。

from wxpy import *  # 初始化机器人，扫码登陆 bot = Bot()  # 获取所有好友 my_friends = bot.friends() print(type(my_friends))

以下为输出消息：

Getting uuid of QR code. Downloading QR code. Please scan the QR code to log in. Please press confirm on your phone. Loading the contact, this may take a little while. <Login successfully as 王强> <class 'wxpy.api.chats.chats.Chats'>

wxpy.api.chats.chats.Chats对象是多个聊天对象的合集，可用于搜索或统计，可以搜索和统计的信息包括sex(性别)、province(省份)、city(城市)和signature(个性签名)等。

2、微信好友男女比例

2.1 数据统计

使用一个字典sex_dict来统计好友中男性和女性的数量。

# 使用一个字典统计好友男性和女性的数量 sex_dict = {'male': 0, 'female': 0}  for friend in my_friends:     # 统计性别     if friend.sex == 1:         sex_dict['male'] += 1     elif friend.sex == 2:         sex_dict['female'] += 1  print(sex_dict)

以下为输出结果：

{'male': 255, 'female': 104}

2.2 数据呈现

本文采用 ECharts饼图  进行数据的呈现，打开链接http://echarts.baidu.com/echarts2/doc/example/pie1.html，可以看到如下内容：

1、echarts饼图原始内容

从图中可以看到左侧为数据，右侧为呈现的数据图，其他的形式的图也是这种左右结构。看一下左边的数据：

option = {     title : {         text: '某站点用户访问来源',         subtext: '纯属虚构',         x:'center'     },     tooltip : {         trigger: 'item',         formatter: "{a} <br/>{b} : {c} ({d}%)"     },     legend: {         orient : 'vertical',         x : 'left',         data:['直接访问','邮件营销','联盟广告','视频广告','搜索引擎']     },     toolbox: {         show : true,         feature : {             mark : {show: true},             dataView : {show: true, readOnly: false},             magicType : {                 show: true,                  type: ['pie', 'funnel'],                 option: {                     funnel: {                         x: '25%',                         width: '50%',                         funnelAlign: 'left',                         max: 1548                     }                 }             },             restore : {show: true},             saveAsImage : {show: true}         }     },     calculable : true,     series : [         {             name:'访问来源',             type:'pie',             radius : '55%',             center: ['50%', '60%'],             data:[                 {value:335, name:'直接访问'},                 {value:310, name:'邮件营销'},                 {value:234, name:'联盟广告'},                 {value:135, name:'视频广告'},                 {value:1548, name:'搜索引擎'}             ]         }     ] };

可以看到option =后面的大括号里是JSON格式的数据，接下来分析一下各项数据：

• title：标题

• text：标题内容

• subtext：子标题

• x：标题位置

• tooltip：提示，将鼠标放到饼状图上就可以看到提示

• legend：图例

• orient：方向

• x：图例位置

• data：图例内容

• toolbox：工具箱，在饼状图右上方横向排列的图标

• mark：辅助线开关

• dataView：数据视图，点击可以查看饼状图数据

• magicType：饼图(pie)切换和漏斗图(funnel)切换

• restore：还原

• saveAsImage：保存为图片

• calculable：暂时不知道它有什么用

• series：主要数据

• data：呈现的数据

其它类型的图数据格式类似，后面不再详细分析。只需要修改data、legend->data、series->data即可，修改后的数据为：

option = {     title : {         text: '微信好友性别比例',         subtext: '真实数据',         x:'center'     },     tooltip : {         trigger: 'item',         formatter: "{a} <br/>{b} : {c} ({d}%)"     },     legend: {         orient : 'vertical',         x : 'left',         data:['男性','女性']     },     toolbox: {         show : true,         feature : {             mark : {show: true},             dataView : {show: true, readOnly: false},             magicType : {                 show: true,                  type: ['pie', 'funnel'],                 option: {                     funnel: {                         x: '25%',                         width: '50%',                         funnelAlign: 'left',                         max: 1548                     }                 }             },             restore : {show: true},             saveAsImage : {show: true}         }     },     calculable : true,     series : [         {             name:'访问来源',             type:'pie',             radius : '55%',             center: ['50%', '60%'],             data:[                 {value:255, name:'男性'},                 {value:104, name:'女性'}             ]         }     ] };

数据修改完成后，点击页面中绿色的刷新按钮，可以得到饼图如下(可以根据自己的喜好修改主题)：

2、好友性别比例

将鼠标放到饼图上可以看到详细数据：

3、好友性别比例查看数据

3、微信好友全国分布图

3.1 数据统计

# 使用一个字典统计各省好友数量 province_dict = {'北京': 0, '上海': 0, '天津': 0, '重庆': 0,     '河北': 0, '山西': 0, '吉林': 0, '辽宁': 0, '黑龙江': 0,     '陕西': 0, '甘肃': 0, '青海': 0, '山东': 0, '福建': 0,     '浙江': 0, '台湾': 0, '河南': 0, '湖北': 0, '湖南': 0,     '江西': 0, '江苏': 0, '安徽': 0, '广东': 0, '海南': 0,     '四川': 0, '贵州': 0, '云南': 0,     '内蒙古': 0, '新疆': 0, '宁夏': 0, '广西': 0, '西藏': 0,     '香港': 0, '澳门': 0}  # 统计省份 for friend in my_friends:     if friend.province in province_dict.keys():         province_dict[friend.province] += 1  # 为了方便数据的呈现，生成JSON Array格式数据 data = [] for key, value in province_dict.items():     data.append({'name': key, 'value': value})  print(data)

以下为输出结果：

[{'name': '北京', 'value': 91}, {'name': '上海', 'value': 12}, {'name': '天津', 'value': 15}, {'name': '重庆', 'value': 1}, {'name': '河北', 'value': 53}, {'name': '山西', 'value': 2}, {'name': '吉林', 'value': 1}, {'name': '辽宁', 'value': 1}, {'name': '黑龙江', 'value': 2}, {'name': '陕西', 'value': 3}, {'name': '甘肃', 'value': 0}, {'name': '青海', 'value': 0}, {'name': '山东', 'value': 7}, {'name': '福建', 'value': 3}, {'name': '浙江', 'value': 4}, {'name': '台湾', 'value': 0}, {'name': '河南', 'value': 1}, {'name': '湖北', 'value': 4}, {'name': '湖南', 'value': 4}, {'name': '江西', 'value': 4}, {'name': '江苏', 'value': 9}, {'name': '安徽', 'value': 2}, {'name': '广东', 'value': 63}, {'name': '海南', 'value': 0}, {'name': '四川', 'value': 2}, {'name': '贵州', 'value': 0}, {'name': '云南', 'value': 1}, {'name': '内蒙古', 'value': 0}, {'name': '新疆', 'value': 2}, {'name': '宁夏', 'value': 0}, {'name': '广西', 'value': 1}, {'name': '西藏', 'value': 0}, {'name': '香港', 'value': 0}, {'name': '澳门', 'value': 0}]

可以看出，好友最多的省份为北京。那么问题来了：为什么要把数据重组成这种格式?因为ECharts的地图需要这种格式的数据。

3.2 数据呈现

采用ECharts地图 来进行好友分布的数据呈现。打开该网址，将左侧数据修改为：

option = {     title : {         text: '微信好友全国分布图',         subtext: '真实数据',         x:'center'     },     tooltip : {         trigger: 'item'     },     legend: {         orient: 'vertical',         x:'left',         data:['好友数量']     },     dataRange: {         min: 0,         max: 100,         x: 'left',         y: 'bottom',         text:['高','低'],           // 文本，默认为数值文本         calculable : true     },     toolbox: {         show: true,         orient : 'vertical',         x: 'right',         y: 'center',         feature : {             mark : {show: true},             dataView : {show: true, readOnly: false},             restore : {show: true},             saveAsImage : {show: true}         }     },     roamController: {         show: true,         x: 'right',         mapTypeControl: {             'china': true         }     },     series : [         {             name: '好友数量',             type: 'map',             mapType: 'china',             roam: false,             itemStyle:{                 normal:{label:{show:true}},                 emphasis:{label:{show:true}}             },             data:[               {'name': '北京', 'value': 91},               {'name': '上海', 'value': 12},               {'name': '天津', 'value': 15},                {'name': '重庆', 'value': 1},                {'name': '河北', 'value': 53},               {'name': '山西', 'value': 2},                {'name': '吉林', 'value': 1},               {'name': '辽宁', 'value': 1},                {'name': '黑龙江', 'value': 2},               {'name': '陕西', 'value': 3},               {'name': '甘肃', 'value': 0},               {'name': '青海', 'value': 0},                {'name': '山东', 'value': 7},               {'name': '福建', 'value': 3},                {'name': '浙江', 'value': 4},               {'name': '台湾', 'value': 0},               {'name': '河南', 'value': 1},               {'name': '湖北', 'value': 4},                {'name': '湖南', 'value': 4},               {'name': '江西', 'value': 4},               {'name': '江苏', 'value': 9},               {'name': '安徽', 'value': 2},               {'name': '广东', 'value': 63},                {'name': '海南', 'value': 0},               {'name': '四川', 'value': 2},               {'name': '贵州', 'value': 0},                {'name': '云南', 'value': 1},               {'name': '内蒙古', 'value': 0},               {'name': '新疆', 'value': 2},                {'name': '宁夏', 'value': 0},               {'name': '广西', 'value': 1},               {'name': '西藏', 'value': 0},               {'name': '香港', 'value': 0},               {'name': '澳门', 'value': 0}             ]         }     ] };

注意两点：

• dataRange->max 根据统计数据适当调整

• series->data 的数据格式

点击刷新按钮后，可以生成如下地图：

好友全国分布图

从图中可以看出我的好友主要分布在北京、河北和广东。

有趣的是，地图左边有一个滑块，代表地图数据的范围，我们将上边的滑块拉到最下面可以看到没有微信好友分布的省份：

5、没有微信好友的省份

按照这个思路，我们可以在地图上看到确切数量好友分布的省份，读者可以动手试试。

4、好友签名统计

4.1 数据统计

def write_txt_file(path, txt):     '''     写入txt文本     '''     with open(path, 'a', encoding='gb18030', newline='') as f:         f.write(txt)      # 统计签名 for friend in my_friends:     # 对数据进行清洗，将标点符号等对词频统计造成影响的因素剔除     pattern = re.compile(r'[一-龥]+')     filterdata = re.findall(pattern, friend.signature)     write_txt_file('signatures.txt', ''.join(filterdata))

上面代码实现了对好友签名进行清洗以及保存的功能，执行完成之后会在当前目录生成signatures.txt文件。

4.2 数据呈现

数据呈现采用词频统计和词云展示，通过词频可以了解到微信好友的生活态度。

词频统计用到了 jieba、numpy、pandas、scipy、wordcloud库。如果电脑上没有这几个库，执行安装指令：

pip install jieba pip install pandas pip install numpy pip install scipy pip install wordcloud

4.2.1 读取txt文件

前面已经将好友签名保存到txt文件里了，现在我们将其读出：

def read_txt_file(path):     '''     读取txt文本     '''     with open(path, 'r', encoding='gb18030', newline='') as f:         return f.read()

4.2.2 stop word

下面引入一个概念：stop word，  在网站里面存在大量的常用词比如：“在”、“里面”、“也”、“的”、“它”、“为”这些词都是停止词。这些词因为使用频率过高，几乎每个网页上都存在，所以搜索引擎开发人员都将这一类词语全部忽略掉。如果我们的网站上存在大量这样的词语，那么相当于浪费了很多资源。

在百度搜索stpowords.txt进行下载，放到py文件同级目录。

content = read_txt_file(txt_filename) segment = jieba.lcut(content) words_df=pd.DataFrame({'segment':segment})  stopwords=pd.read_csv("stopwords.txt",index_col=False,quoting=3,sep=" ",names=['stopword'],encoding='utf-8') words_df=words_df[~words_df.segment.isin(stopwords.stopword)]

4.2.3 词频统计

重头戏来了，词频统计使用numpy：

import numpy  words_stat = words_df.groupby(by=['segment'])['segment'].agg({"计数":numpy.size})     words_stat = words_stat.reset_index().sort_values(by=["计数"],ascending=False)

4.2.4 词频可视化：词云

词频统计虽然出来了，可以看出排名，但是不***，接下来我们将它可视化。使用到wordcloud库，详细介绍见 github 。

from scipy.misc import imread from wordcloud import WordCloud, ImageColorGenerator   # 设置词云属性 color_mask = imread('background.jfif') wordcloud = WordCloud(font_path="simhei.ttf",   # 设置字体可以显示中文                 background_color="white",       # 背景颜色                 max_words=100,                  # 词云显示的***词数                 mask=color_mask,                # 设置背景图片                 max_font_size=100,              # 字体***值                 random_state=42,                 width=1000, height=860, margin=2,# 设置图片默认的大小,但是如果使用背景图片的话,                                                   # 那么保存的图片大小将会按照其大小保存,margin为词语边缘距离                 )  # 生成词云, 可以用generate输入全部文本,也可以我们计算好词频后使用generate_from_frequencies函数 word_frequence = {x[0]:x[1]for x in words_stat.head(100).values} print(word_frequence) word_frequence_dict = {} for key in word_frequence:     word_frequence_dict[key] = word_frequence[key]  wordcloud.generate_from_frequencies(word_frequence_dict) # 从背景图片生成颜色值   image_colors = ImageColorGenerator(color_mask)  # 重新上色 wordcloud.recolor(color_func=image_colors) # 保存图片 wordcloud.to_file('output.png') plt.imshow(wordcloud) plt.axis("off") plt.show()

运行效果图如下(左图为背景图，右图为生成词云图片)：

6、背景图和词云图对比

从词云图可以分析好友特点：

• 做--------------------行动派

• 人生、生活--------热爱生活

• 快乐-----------------乐观

• 选择-----------------决断

• 专业-----------------专业

• 爱--------------------爱

5、总结

至此，微信好友的分析工作已经完成，wxpy的功能还有很多，比如聊天、查看公众号信息等，有意的读者请自行查阅官方文档。

6、完整代码

上面的代码比较松散，下面展示的完整代码我将各功能模块封装成函数：

#-*- coding: utf-8 -*- import re from wxpy import * import jieba import numpy import pandas as pd import matplotlib.pyplot as plt from scipy.misc import imread from wordcloud import WordCloud, ImageColorGenerator  def write_txt_file(path, txt):     '''     写入txt文本     '''     with open(path, 'a', encoding='gb18030', newline='') as f:         f.write(txt)  def read_txt_file(path):     '''     读取txt文本     '''     with open(path, 'r', encoding='gb18030', newline='') as f:         return f.read()  def login():     # 初始化机器人，扫码登陆     bot = Bot()      # 获取所有好友     my_friends = bot.friends()      print(type(my_friends))     return my_friends  def show_sex_ratio(friends):     # 使用一个字典统计好友男性和女性的数量     sex_dict = {'male': 0, 'female': 0}      for friend in friends:         # 统计性别         if friend.sex == 1:             sex_dict['male'] += 1         elif friend.sex == 2:             sex_dict['female'] += 1      print(sex_dict)  def show_area_distribution(friends):     # 使用一个字典统计各省好友数量     province_dict = {'北京': 0, '上海': 0, '天津': 0, '重庆': 0,         '河北': 0, '山西': 0, '吉林': 0, '辽宁': 0, '黑龙江': 0,         '陕西': 0, '甘肃': 0, '青海': 0, '山东': 0, '福建': 0,         '浙江': 0, '台湾': 0, '河南': 0, '湖北': 0, '湖南': 0,         '江西': 0, '江苏': 0, '安徽': 0, '广东': 0, '海南': 0,         '四川': 0, '贵州': 0, '云南': 0,         '内蒙古': 0, '新疆': 0, '宁夏': 0, '广西': 0, '西藏': 0,         '香港': 0, '澳门': 0}      # 统计省份     for friend in friends:         if friend.province in province_dict.keys():             province_dict[friend.province] += 1      # 为了方便数据的呈现，生成JSON Array格式数据     data = []     for key, value in province_dict.items():         data.append({'name': key, 'value': value})      print(data)  def show_signature(friends):     # 统计签名     for friend in friends:         # 对数据进行清洗，将标点符号等对词频统计造成影响的因素剔除         pattern = re.compile(r'[一-龥]+')         filterdata = re.findall(pattern, friend.signature)         write_txt_file('signatures.txt', ''.join(filterdata))      # 读取文件     content = read_txt_file('signatures.txt')     segment = jieba.lcut(content)     words_df = pd.DataFrame({'segment':segment})      # 读取stopwords     stopwords = pd.read_csv("stopwords.txt",index_col=False,quoting=3,sep=" ",names=['stopword'],encoding='utf-8')     words_df = words_df[~words_df.segment.isin(stopwords.stopword)]     print(words_df)      words_stat = words_df.groupby(by=['segment'])['segment'].agg({"计数":numpy.size})     words_stat = words_stat.reset_index().sort_values(by=["计数"],ascending=False)      # 设置词云属性     color_mask = imread('background.jfif')     wordcloud = WordCloud(font_path="simhei.ttf",   # 设置字体可以显示中文                     background_color="white",       # 背景颜色                     max_words=100,                  # 词云显示的***词数                     mask=color_mask,                # 设置背景图片                     max_font_size=100,              # 字体***值                     random_state=42,                     width=1000, height=860, margin=2,# 设置图片默认的大小,但是如果使用背景图片的话,                                                   # 那么保存的图片大小将会按照其大小保存,margin为词语边缘距离                     )      # 生成词云, 可以用generate输入全部文本,也可以我们计算好词频后使用generate_from_frequencies函数     word_frequence = {x[0]:x[1]for x in words_stat.head(100).values}     print(word_frequence)     word_frequence_dict = {}     for key in word_frequence:         word_frequence_dict[key] = word_frequence[key]      wordcloud.generate_from_frequencies(word_frequence_dict)     # 从背景图片生成颜色值       image_colors = ImageColorGenerator(color_mask)      # 重新上色     wordcloud.recolor(color_func=image_colors)     # 保存图片     wordcloud.to_file('output.png')     plt.imshow(wordcloud)     plt.axis("off")     plt.show()  def main():     friends = login()     show_sex_ratio(friends)     show_area_distribution(friends)     show_signature(friends)  if __name__ == '__main__':     main()

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注亿速云行业资讯频道，感谢您对亿速云的支持。