Pour analyser les tendances sociétales et prédire les changements dans la mode ou la culture, nous pouvons utiliser des techniques d’apprentissage automatique et d’analyse de données. Voici un exemple de code Python qui utilise des bibliothèques open-source pour cette tâche. Nous allons utiliser des données de médias sociaux comme Twitter pour extraire des tendances et prédire les changements.
### Prérequis
Assurez-vous d’avoir installé les bibliothèques suivantes :
– `tweepy` pour l’accès à l’API de Twitter
– `pandas` pour le traitement des données
– `nltk` pour le traitement du langage naturel
– `scikit-learn` pour les algorithmes de machine learning
« `python
import tweepy
import pandas as pd
import nltk
from nltk.corpus import stopwords
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.decomposition import NMF
import matplotlib.pyplot as plt
# Configuration de l’API de Twitter
consumer_key = ‘your_consumer_key’
consumer_secret = ‘your_consumer_secret’
access_token = ‘your_access_token’
access_token_secret = ‘your_access_token_secret’
# Authentification
auth = tweepy.OAuthHandler(consumer_key, consumer_secret)
auth.set_access_token(access_token, access_token_secret)
# Création de l’API
api = tweepy.API(auth, wait_on_rate_limit=True, wait_on_rate_limit_notify=True)
# Fonction pour récupérer les tweets
def get_tweets(query, count=100):
tweets = tweepy.Cursor(api.search, q=query, lang= »en », tweet_mode= »extended »).items(count)
return [tweet.full_text for tweet in tweets]
# Extraction des données
query = « fashion trends »
tweets = get_tweets(query)
# Prétraitement des données
nltk.download(‘stopwords’)
stop_words = set(stopwords.words(‘english’))
def preprocess_text(text):
words = text.lower().split()
words = [word for word in words if word.isalpha() and word not in stop_words]
return ‘ ‘.join(words)
preprocessed_tweets = [preprocess_text(tweet) for tweet in tweets]
# Vectorisation des données
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(preprocessed_tweets)
# Décomposition en NMF (Non-Negative Matrix Factorization)
nmf = NMF(n_components=5, random_state=42)
W = nmf.fit_transform(X)
H = nmf.components_
# Affichage des thèmes extraits
topics = vectorizer.get_feature_names_out()
for topic_idx, topic in enumerate(H):
print(f »Topic {topic_idx + 1}: »)
print( » « .join([topics[i] for i in topic.argsort()[-10:]]))
# Visualisation des tendances
plt.figure(figsize=(10, 5))
plt.plot(W.T, label=’Trends’)
plt.xlabel(‘Time’)
plt.ylabel(‘Topic Proportion’)
plt.legend()
plt.show()
« `
### Explication
1. **Configuration de l’API de Twitter** : Vous devez remplacer les valeurs des clés API par les vôtres.
2. **Récupération des tweets** : La fonction `get_tweets` utilise l’API de Twitter pour récupérer les tweets contenant le terme de recherche spécifié.
3. **Prétraitement des données** : Les tweets sont convertis en minuscules, les stopwords sont supprimés, et les mots non alphabétiques sont éliminés.
4. **Vectorisation des données** : Les tweets prétraités sont vectorisés en utilisant `TfidfVectorizer`.
5. **Décomposition en NMF** : La décomposition en NMF est utilisée pour extraire les thèmes des tweets.
6. **Visualisation des tendances** : Les tendances extraites sont visualisées en utilisant Matplotlib.
Ce code est un point de départ et peut être étendu pour inclure des fonctionnalités supplémentaires comme la prédiction des tendances futures en utilisant des modèles de séries temporelles ou des modèles de machine learning plus avancés.