#Dataset del Turkey2010 obtenido de Twitter

Introdución

Fuente

Se han extraído los tweets de las 15:20 del 28-ago-2010 a las 18:15:06 del 13-sep-2010 con el Streaming API de Twitter seleccionando los siguientes palabras claves :

     basket    #basket    baloncesto    #baloncesto    basketball    #basketball
     Turkey2010    #Turkey2010    FIBA2010    #FIBA2010    
     #ang    #arg    #aus    #bra    #can    #chn    #civ    #cro    #esp    #fra
     #ger    #gre    #iri    #jor    #lib    #ltu    #nzl    #pur    #rus    #slo 
     #srb    #tun    #tur    #usa

Al analizar los datos se han encontrados los siguientes problemas:

• Ambiguación: Los hashtag de países se utilizan para diferentes significados y los otros a veces van asociados a venta de productos
• Spam: usuarios que envían siempre el mismo mensaje
• Exceso de información: si se le pide al API de Twiter que me de #usa, devuelve todos los tweets que tiene la palabra usa o que tiene una url con la palabra usa.

Se ha utilizado un filtro para excluir autores, hashtags o palabras que puedan tener distinto significado y se han extraído los tweets que cumplen exclusivamente con las búsqueda solicitada. Este es el resultado cuantitativo del filtrado:

                    683.289 tweets obtenidos
                    209.585 tweets seleccionados

Datos elaborados

Contenido:

• Usuarios más activos
• Palabras más usadas
• Aplicaciones utilizadas
• Jugadores más mencionados
• Menciones a países

• Total
• Día
• Hora

• Tabla con valores:
• Valores por día:turkey2010_day_count
• Valores por hora: turkey2010_hour_count
• Tabla con porcentajes:
• Valores por día: turkey2010_day_percent
• Valores por hora: turkey2010_hour_percent
• Lista con valores y porcentaje:
• Valores totales: Turkey2010_total
• Valores por día: turley_day_list
• Valores por hora: Demasiado grande para google docs.