在第 28 天，我們將專注於對 Line Bot 收集到的資料進行基本的分析。這樣可以幫助我們更好地理解用戶行為，並提供更個性化的服務。

步驟 1：設計資料分析目標

1. 確定分析目標：

   • 分析用戶的消息頻率。
   • 找出用戶常用的關鍵詞和話題。
   • 計算活躍用戶數量和消息數量。

2. 資料收集要求：

   • 我們需要有用戶消息的時間戳、用戶 ID 和消息內容，這些已經在前一天完成的 user_messages 表中收集。

步驟 2：編寫資料分析腳本

1. **安裝 Pandas **：

   • 使用 Pandas 庫來處理和分析資料。

   pip install pandas
   

2. 讀取資料並進行基礎分析：

   • 使用 SQLite 提取資料並轉換為 Pandas DataFrame 進行分析。

   import sqlite3
   import pandas as pd
   
   # 連接到資料庫
   conn = sqlite3.connect('line_bot.db')
   
   # 將 user_messages 表中的資料讀取到 DataFrame 中
   df = pd.read_sql_query("SELECT * FROM user_messages", conn)
   
   # 打印 DataFrame 查看資料
   print(df.head())
   
   conn.close()
   

步驟 3：分析用戶行為

1. 消息頻率分析：

   • 按時間戳分組來查看每天的消息數量，分析用戶活躍的時間段。

   df['timestamp'] = pd.to_datetime(df['timestamp'])
   df['date'] = df['timestamp'].dt.date
   
   # 按日期分組計算消息數量
   message_frequency = df.groupby('date').size()
   
   print("每日消息數量：")
   print(message_frequency)
   

2. 活躍用戶分析：

   • 計算每個用戶的消息數量，找到最活躍的用戶。

   user_activity = df.groupby('user_id').size().sort_values(ascending=False)
   
   print("用戶活躍度（按消息數量排序）：")
   print(user_activity)
   

3. 關鍵詞分析：

   • 對消息內容進行詞頻分析，找到用戶常用的關鍵詞。
   • 安裝 nltk 庫來輔助進行文本分析。

   pip install nltk
   

   import nltk
   from collections import Counter
   from nltk.corpus import stopwords
   import string
   
   nltk.download('stopwords')
   stop_words = set(stopwords.words('english')) | set(stopwords.words('chinese'))  # 中英文停用詞
   
   # 消息文本處理
   all_messages = ' '.join(df['message'])
   all_messages = all_messages.translate(str.maketrans('', '', string.punctuation))  # 去除標點符號
   
   # 分詞並統計詞頻
   words = all_messages.split()
   filtered_words = [word for word in words if word.lower() not in stop_words]
   word_counts = Counter(filtered_words)
   
   # 找到最常用的前 10 個詞
   most_common_words = word_counts.most_common(10)
   print("用戶最常用的詞：")
   print(most_common_words)
   

步驟 4：生成報告

1. 分析報告的呈現：

   • 將分析結果輸出到 CSV 文件或生成圖表來更直觀地展示。

   # 將分析結果保存為 CSV 文件
   message_frequency.to_csv('message_frequency.csv')
   user_activity.to_csv('user_activity.csv')
   
   # 使用 Matplotlib 繪製圖表
   import matplotlib.pyplot as plt
   
   # 每日消息數量折線圖
   message_frequency.plot(kind='line', title='每日消息數量')
   plt.xlabel('日期')
   plt.ylabel('消息數量')
   plt.savefig('daily_message_frequency.png')
   plt.show()
   

步驟 5：優化資料分析

1. 自動化分析：

   • 可以考慮定期自動執行資料分析，例如每天分析一次，並生成報告。

2. 更多分析指標：

   • 根據需求增加其他分析指標，例如消息回覆時間的分析，查看回覆是否及時。