azraelmt / mx-spotify-trends Goto Github PK

---
title: "Análisis de Características Musicales en el Top 50 de Spotify"
author: "Manuel Perez"
date: "10/8/2019"
output: 
  html_document: 
    highlight: tango
    theme: paper
---

## Extracción de Base de Datos

Los datos del histórico de Top Chart se obtienen a partir del módulo `topsipy.spotipy` en `python`. De esta forma, se generan las tablas Top 50 dentro de un intervalo de tiempo, y se hace la petición para obtener las `audio features` de cada canción en Spotify.


```python
from topsipy import spotipy

token = 'spotify_acces_token' # https://developer.spotify.com/console/get-audio-features-track/

chart = spotipy.generate_top_chart(access_token=token, start='2019-01-01', end='2019-09-26', region='mx')
```

Así, se obtiene como valor de retorno una estructura `pandas.DataFrame` como la siguiente:

```sh
>>> chart
       Position            Track Name        Artist  ...    tempo time_signature valence
13400         1                 China      Anuel AA  ...  105.027              4   0.609
13401         2            LA CANCIÓN      J Balvin  ...  176.089              4   0.429
13402         3              Callaita     Bad Bunny  ...  176.169              4   0.244
13403         4                  Tutu        Camilo  ...  146.013              4   0.940
13404         5  No Me Conoce - Remix   Jhay Cortez  ...   91.973              4   0.580
13405         6                 11 PM        Maluma  ...   95.692              4   0.680
13406         7              Señorita  Shawn Mendes  ...  116.967              4   0.749
13407         8      Yo x Ti, Tu x Mi       ROSALÍA  ...   91.952              4   0.579
13408         9       Soltera - Remix         Lunay  ...   92.016              4   0.800
13409        10         QUE PRETENDES      J Balvin  ...   92.603              4   0.939

```

## Lectura de archivos generados

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

```{python}
import sys
print(sys.version)
```

```{python, engine.path = '/usr/local/bin/python3.7'}
import sys
print(sys.version)
```

A partir del metodo anterior, se generaron 4 diferentes bases de datos, 

```{r setup, include=FALSE}
library(reticulate)
use_python("/usr/local/bin/python3.7")
```


```{python, engine.path="/Desktop/Github/mx-spotify-trends/venv/bin/python3.7"}

import sys
print(sys.executable)

```

## Características canciones en el Top 1 de 2019


```{r fig1, fig.height = 6, fig.width = 10, fig.align = 'left'}
# Library
library(fmsb)
 
# Create data: note in High school for several students
data = py$top_1
chart <- data[,-1]
rownames(chart) <- data[,1]

chart <- rbind(rep(1,5) , rep(0,5) , chart)

# Set graphic colors
library(RColorBrewer)
coul <- brewer.pal(nrow(data), "Paired")
colors_border <- coul
library(scales)
colors_in <- alpha(coul,0.1)

# plot with default options:
radarchart( chart  , axistype=1 , 
    #custom polygon
    pcol=colors_border , pfcol=colors_in, plwd=2 , plty=1,
    #custom the grid
    cglcol="grey", cglty=1, axislabcol="black", caxislabels=seq(0,1,5), cglwd=0.8,
    #custom labels
    vlcex=1
    )

# Add a legend
legend(x=1.4, y=1, legend = rownames(chart[-c(1,2),]), 
       bty = "n", pch=20 , col=colors_border , text.col = "#263238", cex=1, pt.cex=3)
```

## Danceability

![Spotify Danceability Selection](https://developer.spotify.com/assets/audio/danceability.png)