More than 5 years have passed since last update.

Twitter APIとPandasを使ってオススメ推し力士を見つけてみた

Last updated at 2018-08-20Posted at 2018-08-20

＜大相撲名古屋場所＞「#推し力士」キャンペーン。ご自身のInstagramもしくはTwitterに「推し力士の写真」と「#推し力士 + #推し力士の名前（例：#白鵬）」をつけて投稿すると抽選で後日「直筆サイン入り手形」プレゼント！https://t.co/ZbFQW2wP7Y #sumo #相撲 pic.twitter.com/0Qe1c1BKS0
— 日本相撲協会公式 (@sumokyokai) 2018年7月6日

はじめに

ここ数年、大相撲が人気です。
しかし中には、顔や体付きがみんな同じで見分けがつかない…、また白鵬が優勝でしょ…、などの理由から、大相撲ブームにいまいち乗れていない人もいるのではないでしょうか。
浦風親方が仰るように、そんな方は「推し力士」を見つけることが大事だと思います。

「推し」の見つけ方は人それぞれだと思いますが、今回はデータ分析により「推し」を見つけてみます。

Twitter APIで各力士がどれだけ場所中につぶやかれたかを調べ、前回数値化した各力士の強さと比較することで、
強いのにあまり注目されていない「オススメ推し力士」を見つけることが出来ました。

ツイートの取得

Twitter APIを使って、2018年7月場所の初日から千秋楽までにつぶやかれた、幕内力士名が含まれるツイートを取得しました。
（2018年7月場所は、横綱の白鵬・鶴竜・稀勢の里、新大関の栃ノ心が休場し、関脇の御嶽海が初優勝を飾った場所でした。詳しい結果はこのページが分かりやすいです。）

この記事を元に、

from pykakasi import kakasi

と、

def makeNewCol(tweet):
    date_time = (tweet["created_at"])
    id = (tweet["user"]["screen_name"])
    name = (tweet["user"]["name"])
    profile = (tweet["user"]["description"])
    n_following = (tweet["user"]["friends_count"])
    n_followed = (tweet["user"]["followers_count"])
    n_tweets = (tweet["user"]["statuses_count"])
    addres = (tweet["user"]["location"])
    n_favorited = (tweet["favorite_count"])
    text = (tweet["text"])

    new_col = pd.Series([date_time, id, name, profile, n_following,
                         n_followed, n_tweets, addres, n_favorited, text],
                        index=["time", "id", "name", "profile", "n_following",
                               "n_followed", "n_tweets", "adress", "n_favorited","text"])

を追加し、

if __name__ == '__main__':
kakasi = kakasi()
kakasi.setMode('H', 'a')
kakasi.setMode('K', 'a')
kakasi.setMode('J', 'a')
conv = kakasi.getConverter()

keyword_list = [
                '鶴竜', '白鵬', '稀勢の里', '日馬富士',
                '豪栄道', '高安', '栃ノ心',
                '御嶽海', '玉鷲', '松鳳山',
                '正代', '琴奨菊', '千代の国', '阿炎', '貴景勝', '魁聖',
                '大翔丸', '嘉風', '千代大龍', '宝富士', '大栄翔',
                '千代翔馬', '旭大星', '妙義龍', '豊山', '千代丸',
                '錦木', '碧山', '阿武咲', '佐田の海', '荒鷲', '栃煌山',
                '朝乃山', '琴恵光', '隠岐の海', '石浦', '竜電',
                '北勝富士', '明生', '服部桜',
 ]

for keyword in keyword_list:
    keyword_romaji = conv.do(keyword)
    since = '2018-07-15'
    until = '2018-07-16'
    getter = TweetsGetter.bySearch(keyword+' since:'+since+' until:'+until)

    df = pd.DataFrame(columns=["time", "id", "name", "profile", "n_following",
                               "n_followed", "n_tweets", "adress", "n_favorited","text"])
    for tweet in getter.collect(total = 20000):
        new_col = makeNewCol(tweet)
        df.append(new_col, ignore_index=True)

    df.to_csv('output/'+keyword_romaji+since+'.csv')

この様に変更して、ツイートを取得しました。
下は、御嶽海というワードが含まれるツイートを15日分まとめて、フォロワー数の多い順に並べたものです。

この例ではハム速のツイートが入ってしまっていますが、「bot」「ニュース」「公式アカウント」などがユーザー名やプロフィールに含まれるものは除き、できるだけ個人アカウントのツイートだけを対象にしています。
また、荒鷲というワードを含むツイートの中から、百獣戦隊ガオレンジャーの「孤高の荒鷲！ガオイエロー！」というように、相撲に関係ないツイートを取り除く面倒な作業をしました。
しかし、遠藤、勢、千代丸、石浦に関しては、相撲に関係ないツイートが多く、取り除くのが難しかった（やってられなくなった）ため、分析対象から外しました。

Twitter APIのgeocodeオプションを使って、愛知県体育館の中から投稿されたツイートを、力士名を含むものに限定せずに全て取得してみましたが、4ツイートしか取得出来ない日があるなど、惨憺たる結果でした。
この記事では位置情報ありのツイートは全体の1.1%、この記事では0.3%だったらしいです。

ツイート分析

Pandasを使ってツイートを分析しました。

まず、15日間の各力士名を含むツイート数の推移を見てみます。
一番左が初日、右が千秋楽です。

御嶽海の優勝が決まった14日目が外れ値になっています。
御嶽海と休場力士を除いてみます。

箱ひげ図も見てみます。

金星をあげる等の特別な取組があった日は、ツイート数が普段の数倍にもなっているのが分かります。

普段の注目度（中央値）がいくら低くても、一回でも大きく注目されたこと（外れ値）がある力士は「推し」づらいです。
ミーハーだと思われては困ります。
15日間のツイート数の平均値と、前回数値化した強さを、スケールを揃えるために標準化して比べるのが「推し力士」を見つけるのにいいように思います。
グラフにしてみます。