我一直在研究推特信息流这个难以控制的神奇数据。关于它的一个不可避免的假设是，用户会对其他用户做出反应，而不一定对外部世界的离散内容或事件做出反应。根据发病率预测夏威夷有关冠状病毒的推文内容并非不可能，但小于 0.02 的 R 平方并不十分令人信服。
对用户标识符推文实体提及、推文实体标签、用户描述和用户名运行考虑不周的 MCA，呈现出一幅更加戏剧化的图像——附件。
不幸的是，我无法在任何演示中使用它，因为我无法解开标签。较小的字体和较短的标题实际上并不能完成这项工作。我如何进入生成图形的文件并提取 X、Y 坐标和标签文本？如果我能做到这一点，我可以编辑标签文本，缩短单词，并抑制近似重复，以便可以解释图片。很明显，这些来源来自全国各地——蓝色数字表示发生率与一些 Twitter 条目相关（与文本内容无关——关联与条目本身有关！）
我真的很想深入了解这项技术。看来 MCA 实际上是一种用于分析潜在稀疏数据的设备，不需要生成 n 个用户 x n 个用户矩阵。我希望我的假设是正确的。
您可以通过转到红色三角形并选择来获取数据表中的坐标和标签
对应分析=>保存坐标
它创建一个带有坐标和标签的数据表
