Repositorio para presentar el proyecto integrador para la Diplomatura en Ciencia de Datos, Aprendizaje Automático y sus aplicaciones dictado en FaMAF - UNC.
En este proyecto se trabaja con datos de twitter recolectados durante el tratamiento en Sendaores y Diputados sobre el proyecto de Interrupción Voluntaria del Embarazo (ILE).
Con este proyecto vamos a trabajar sobre un set de datos que trata un tema que estuvo (y sigue estando) en la agenda pública, generando posiciones muy marcadas y expresadas en las redes sociales. Por un lado vamos a conocer cómo vienen los datos en Twitter, que análisis podemos hacer sin tener en cuenta el contenido del tweet y por último analizar el aporte que da el texto.
A partir del tratamiento en las cámaras de Diputados y Senadores sobre el proyecto de Interrupción Voluntaria del Embarazo, la discusión se trasladó a las redes sociales. En este caso se cuenta con publicaciones realizadas en Twitter, que permite un acceso a los datos mucho más simple que otras redes sociales. El dataset (obtenido y preprocesado por Pablo Celayes) cuenta con información de tweets (y sus usuaries correspondientes) que se realizaron sobre la fecha del tratamiento en diputados (junio/2018) y en senadores (agosto/2018), a partir de hashtags relacionados al tema. Con estos datos se pueden analizar comportamientos de usuaries, y clasificación sobre la postura tomada de las diferentes cuentas. El dataset consiste en 4 archivos CSV, 2 para junio/2018 y 2 para la fecha de agosto/2018. Para cada fecha hay un archivo con les usuaries que publicaron, y uno de tweets. Para les usuaries se cuenta con información de cantidad de seguidores, cantidad de seguidos, cantidad de tweets que escribió, descripción, nombre, si la cuenta está verificada o no, fecha de creación, etc. Para el dataset de tweets se tiene fecha, cantidad de favoritos y retweets, el texto, el usuario, si es un retweet o no.
A los datasets hay que descargarlos desde aqui y ubircarlos en la carpeta data/.
Los datos están en dos tipos de archivos, con los siguientes notebooks los exploramos introductoriamente: para archivos de usuaries y para archivos de tweets
Los datos fueron recolectados con diferentes métodos para ambos períodos, y en los 2 casos no se cuenta con la totalidad de los tweets con esos hashtags, sino con una muestra.
| Columnas | Descripción |
|---|---|
screen_name |
Nombre de la cuenta |
location |
Ubicación de la cuenta |
followers_count |
Cantidad de seguidores |
statuses_count |
Cantidad de tweets que escribió/retuiteó la cuenta en toda su historia. |
description |
Descripción de la cuenta |
friends_count |
Cantidad de seguidos |
favourites_count |
Cantidad de favs que la cuenta dió en toda su historia. |
created_at |
Fecha de creación de la cuenta |
id |
ID de la cuenta |
name |
Nombre completo que se le pone a la cuenta |
verified |
Si la cuenta está verificada o no (por ejemplo para les famoses) |
| Columnas | Descripción |
|---|---|
id |
ID del tweets |
created_at |
Fecha de creación del tweets |
favorite_count |
Cantidad de favoritos que tiene el tweet |
retweet_count |
Cantidad de retweet del tweet |
full_text |
Texto completo del tweet |
posicion |
Posición que se tiene con respecto al aborto de acuerdo a hashtags usados. |
favorited |
Si el tweet recibió algún like |
retweeted |
Si el tweet recibió algún retweet |
user_name |
username de la cuenta que realiza el tweet |
user_id |
ID de la cuenta que realiza el tweet |
original_id |
En el caso de que el tweet sea un retweet, te da el id del tweet. Si no, coincide con el id |