progetto.Rmd

---
title: "Progetto Fondamenti"
date: "`r Sys.Date()`"
css: stileProgetto.css
output:
  rmdformats::readthedown:
    highlight: kate
---


```{r setup, include=FALSE}
library(knitr)
library(rmdformats)

## Global options
options(max.print="75")
opts_chunk$set(echo=FALSE,
	             cache=TRUE,
               prompt=FALSE,
               tidy=TRUE,
               comment=NA,
               message=FALSE,
               warning=FALSE)
opts_knit$set(width=75)
```

# Introduzione

## Cosa è Spotify?

```{r logo, echo=FALSE, fig.cap="Spotify Logo", out.width = "50%"}
knitr::include_graphics("img/spotifyLogo.png")
```


Spotify è un servizio musicale digitale (gratuito o a pagamento) con il quale è semplice trovare la musica o il podcast giusto per ogni momento, su telefono, computer, tablet e altro ancora.

Ci sono milioni di brani e podcast a portata di mano in ogni momento!

Si possono sfogliare le raccolte di amici, artisti e celebrità o creare delle proprie playlist personali per ogni stato d'animo.

## Come sono cambiati i miei gusti musicali e come questi hanno influenzato gli ascolti su Spotify?

Attività di ascolto divisa in 2 periodi diversi:

* **PRIMO** **PERIODO**: dall’inizio (marzo 2018) a marzo 2020

* **SECONDO** **PERIODO**: da aprile 2020 ad ora (inizio agosto 2021)

# Spotify Audio Analysis

Ogni brano ha delle particolari caratteristiche che lo rendono unico:

-   energy: rappresenta una misura percettiva di intensità e attività, le tracce energiche sono veloci e rumorose (0.0 - 1.0)

-   valence: descrive la positività musicale trasmessa da un brano; alta valenza = più positive, bassa valenza = più negative (0.0 - 1.0)


```{r caricamento librerie, include=FALSE}
#caricamento librerie
library(jsonlite)
library(lubridate)
library(gghighlight)
library(spotifyr)
library(tidyverse)
library(ggplot2)
library(plotly)
library(dplyr)
library(kableExtra)
library(formattable)
library(genius)
library(fmsb)
# carico get spotify authorization
# stabilisco connessione con Spotify API
id = "00f22c2d4c35499bb29854c73ffdff97"
id_secret = "46d59a3db5514cdd93c1de05365e57c8"

Sys.setenv(SPOTIFY_CLIENT_ID = id)
Sys.setenv(SPOTIFY_CLIENT_SECRET = id_secret)
get_spotify_authorization_code()

access_token <- get_spotify_access_token()
```



```{r lettura dataset e cambio nel giusto orario}
#lettura dataset

#streamHistory <- fromJSON("spotify_data/StreamingHistoryTotal.json", flatten = TRUE)
myLibrary <- fromJSON("spotify_data/secondRequest/YourLibrary.json", flatten = TRUE)

complete <- fromJSON("spotify_data/complete.json", flatten = TRUE)
savedTracks <- myLibrary$tracks

# cambiare ora!!! perchè orario di greenwitch
#tz = a character string that specifies which time zone to parse the date with. The string must be a time zone that is #recognized by the user's OS.
#a <- ymd_hm(streamHistory$endTime, tz = "Etc/GMT+0")
#cambio l'orario con quello del fuso di Roma
#streamHistory2 <- streamHistory %>%
#  mutate(endTime = with_tz(a, "Europe/Rome"))

a <- ymd_hms(complete$ts, tz = "Etc/GMT+0")
#cambio l'orario con quello del fuso di Roma
complete <- complete %>%
  mutate(ts = with_tz(a, "Europe/Rome")) %>%
  arrange(ts)
  
#cambio i nomi alle colonne/variabili
complete <- complete %>%
  rename(endTime = ts) %>%
  rename(artistName = master_metadata_album_artist_name) %>%
  rename(trackName = master_metadata_track_name) %>%
  rename(msPlayed = ms_played) %>%
  rename(albumName = master_metadata_album_album_name)

#nuovo df con solo le colonne interessate, in ordine crescente di riproduzione
completeTot <- complete %>%
  select(endTime, artistName, trackName, albumName, msPlayed) %>%
  arrange(endTime)


```


# I miei dati di ascolto (aggiornati al 15/08/21)

# Attività di ascolto per settimane e ore

## In quali date ho ascoltato più o meno musica su Spotify?

```{r ascolto per date primo periodo}
#mySpotify = streamHistory2 %>% 
#  as_tibble() %>% #as_tibble() turns an existing object, such as a data frame or matrix, into a so-called tibble
#  mutate_at("endTime", ymd_hms) %>%  #aggiungo i secondi, cambio solo la colonna che si chiama "endTIme"
#  mutate(date = floor_date(endTime, "day") %>% as_date, seconds = msPlayed / 1000, minutes = seconds / 60) %>%
#  mutate(artistName = str_replace(artistName, "Sasha Sloan", "Sasha Alex Sloan"))


mySpotify_2 = completeTot %>% 
  as_tibble() %>% #as_tibble() turns an existing object, such as a data frame or matrix, into a so-called tibble
  mutate_at("endTime", ymd_hms) %>%  #aggiungo i secondi, cambio solo la colonna che si chiama "endTIme"
  mutate(date = floor_date(endTime, "day") %>% as_date, 
         seconds = msPlayed / 1000, 
         minutes = seconds / 60)
# date -> prendo la data e basta senza orario, ricavo secondi e minuti suonati
# floor_date prende un oggetto data-ora e lo arrotonda per difetto al valore intero più vicino dell'unità di tempo        specificata, nel mio caso per giorno

#primo periodo
oreStreamingUno = mySpotify_2 %>% 
  filter(date <= "2020-03-24") %>% 
  group_by(date) %>% 
  group_by(date = floor_date(date, "week")) %>%  # raggruppo per settimane
  summarize(ore = sum(minutes) / 60) %>%         # sommo i minuti di ogni settimana / 60 = ore
  #verb summarise() riduce più valori fino a un singolo riassunto
  arrange(date) %>%                              # metto in ordine di data crescente
  ggplot(aes(x = date, y = ore)) + 
  geom_col(aes(fill = ore)) +
  scale_fill_gradient(low = "blue", high = "red") + 
  ylim(0, 45)+ #limite di 45 cosi vedo bene la differenza con l'altro periodo
  labs(x= "data", y= "ore di ascolto") + 
  ggtitle("Attività di ascolto per settimana da marzo 2018 a marzo 2020 - primo periodo")

ggplotly(oreStreamingUno)
```



```{r ascolto per date secondo periodo}
#secondo periodo
oreStreamingDue = mySpotify_2 %>% 
  filter(date >= "2020-03-25") %>% 
  group_by(date) %>% 
  group_by(date = floor_date(date, "week")) %>%  # raggruppo per settimane
  summarize(ore = sum(minutes) / 60) %>%         # sommo i minuti di ogni settimana / 60 = ore
  #verb summarise() riduce più valori fino a un singolo riassunto
  arrange(date) %>%                              # metto in ordine di data crescente
  ggplot(aes(x = date, y = ore)) + 
  geom_col(aes(fill = ore)) +
  scale_fill_gradient(low = "blue", high = "red") + 
  ylim(0, 45)+
  labs(x= "data", y= "ore di ascolto") + 
  ggtitle("Attività di ascolto per settimana da aprile 2020 a luglio 2021 - secondo periodo")

ggplotly(oreStreamingDue)
```


Fun fact: nel secondo grafico il picco maggiore di ore è 40, mentre nel primo è 25: dalla quarantena il mio utilizzo di Spotify è quasi raddoppiato!


# Artisti più ascoltati (oltre 15 ore)

## Quali sono stati gli artisti che ho ascoltato di più sul mio Spotify?


```{r artista ore primo periodo}
#primo periodo
orePiuAscoltateUno <- mySpotify_2 %>% 
  filter(date <= "2020-03-24") %>% 
  group_by(artistName) %>% 
  summarize(minutiAscoltati = sum(minutes), oreAscoltate = minutiAscoltati/60) %>% 
  filter(minutiAscoltati >= 900) %>%
  ggplot(aes(x = artistName, y = oreAscoltate, text = paste("artista: ", artistName, "<br>",
                                           "ore ascoltate: ", round(oreAscoltate, digits = 0)))) + 
  geom_col(aes(fill = oreAscoltate)) +
  scale_fill_gradient(low = "blue", high = "red") + 
  labs(x= "artista", y= "ore di ascolto") + 
  ggtitle("Quali sono i miei artisti più ascoltati? (> 15 ore di ascolto) - primo periodo") +
  theme(axis.text.x = element_text(angle = 90)) #metto le label in verticale cosi leggo tutto bene

ggplotly(orePiuAscoltateUno, tooltip=c("text"))
```



```{r artista ore secondo periodo}
#secondo periodo
orePiuAscoltateDue <- mySpotify_2 %>% 
  filter(date >= "2020-03-25") %>% 
  group_by(artistName) %>% 
  summarize(minutiAscoltati = sum(minutes), oreAscoltate = minutiAscoltati/60) %>% 
  filter(minutiAscoltati >= 900) %>%
  ggplot(aes(x = artistName, y = oreAscoltate, text = paste("artista: ", artistName, "<br>",
                                           "ore ascoltate: ", round(oreAscoltate, digits = 0)))) + 
  geom_col(aes(fill = oreAscoltate)) +
  scale_fill_gradient(low = "blue", high = "red") + 
  labs(x= "artista", y= "ore di ascolto") + 
  ggtitle("Quali sono i miei artisti più ascoltati? (> 15 ore di ascolto) - secondo periodo") +
  theme(axis.text.x = element_text(angle = 90))

ggplotly(orePiuAscoltateDue, tooltip=c("text"))
```


Fun fact: nel secondo grafico il picco maggiore di ore è più di 300, mentre nel primo è circa 50: 6 volte di più!

# Attività di ascolto per specifici artisti

## In quali mesi ho ascoltato più o meno musica di un artista in particolare?


```{r specifici artisti primo periodo}
#primo periodo
# metto tutti gli artisti così posso confrontare
oreArtistaUno <- mySpotify_2 %>%
  filter(date <= "2020-03-24") %>%
  group_by(artistName, date = floor_date(date, "month")) %>%  # raggruppo per ascolto mensile
  summarize(hours = sum(minutes) / 60) %>%                    # sommo i minuti di ogni mese / 60 = ore
  ggplot(aes(x = date, y = hours, group = artistName)) +
  geom_line(aes(color = artistName)) +
  geom_point(aes(color = artistName)) +
  labs(x= "date", y= "ore di ascolto") + 
  #ylim(0, 68)+
  ggtitle("artisti: The Lumineers, Halsey, Demi Lovato, Khalid (1° p") +
  gghighlight(artistName == "The Lumineers" || artistName == "Halsey" || artistName == "Demi Lovato" || artistName == "Khalid" || artistName == "Taylor Swift" || artistName == "Lana Del Rey" || artistName == "Chase Atlantic" || artistName == "Lorde" || artistName == "blink-182" || artistName == "Avril Lavigne" || artistName == "Sasha Alex Sloan")

ggplotly(oreArtistaUno)
```


```{r specifici artisti secondo periodo}
#secondo periodo
# metto tutti gli artisti così posso confrontare
oreArtistaDue <- mySpotify_2 %>%
  filter(date >= "2020-03-25") %>%
  group_by(artistName, date = floor_date(date, "month")) %>%  # raggruppo per ascolto mensile
  summarize(hours = sum(minutes) / 60) %>%                    # sommo i minuti di ogni settimana / 60 = ore
  ggplot(aes(x = date, y = hours, group = artistName)) +
  geom_line(aes(color = artistName)) +
  geom_point(aes(color = artistName)) +
  labs(x= "date", y= "ore di ascolto") + 
  #ylim(0, 68)+
  ggtitle("artisti: Taylor Swift, Lana Del Rey, Chase Atlantic, Lorde e blink-182 (2° p") +
  gghighlight(artistName == "Taylor Swift" || artistName == "Lana Del Rey" || artistName == "Chase Atlantic" || artistName == "Lorde" || artistName == "blink-182" || artistName == "Avril Lavigne" || artistName == "Sasha Alex Sloan" || artistName == "The Lumineers" || artistName == "Halsey" || artistName == "Demi Lovato" || artistName == "Khalid")

ggplotly(oreArtistaDue)

```

Vedendo questi grafici si può sottolineare come i miei gusti musicali in fatto di artisti sia completamente cambiato dopo la prima quarantena del 2020! Gli artisti che ascoltavo tanto prima ora li ascolto di meno.


# Attività di ascolto per data e ora del giorno

## In che momento ho avuto la maggior parte dell'attività di riproduzione?


```{r ascolto date e giorni primo periodo}
#primo periodo
timeDayUno <- mySpotify_2 %>% 
  filter(date <= "2020-03-24") %>%
  group_by(date, hour = hour(endTime)) %>%                  # raggruppo per data e ora
  summarize(minutiAscoltati = sum(minutes)) %>%             # minuti ascoltati
  ggplot(aes(x = hour, y = date, fill = minutiAscoltati)) + 
  geom_tile() + 
  labs(x= "Ora del giorno", y= "Data") + 
  ggtitle("Quando c'è stata più attività di riproduzione sul mio Spotify? - primo periodo", "Attività per data e ora del giorno") +
  scale_fill_gradient(low = "green", high = "blue", limits = c(0, 70))

timeDayUno
```



```{r ascolto date e giorni secondo periodo}
#secondo periodo
timeDayDue <- mySpotify_2 %>% 
  filter(date >= "2020-03-25") %>%
  group_by(date, hour = hour(endTime)) %>%                  # raggruppo per data e ora
  summarize(minutiAscoltati = sum(minutes)) %>%             # minuti ascoltati
  ggplot(aes(x = hour, y = date, fill = minutiAscoltati)) + 
  geom_tile() + 
  labs(x= "Ora del giorno", y= "Data") + 
  ggtitle("Quando c'è stata più attività di riproduzione sul mio Spotify? - secondo periodo", "Attività per data e ora del giorno") +
  scale_fill_gradient(low = "green", high = "blue", limits = c(0, 70))

timeDayDue
```



# Attività di ascolto per orario della giornata

## A che ora del giorno ho ascoltato più musica?


```{r ascolto nelle ore giorno primo periodo}
#primo periodo
hoursDayUno = mySpotify_2 %>%
  filter(date <= "2020-03-24") %>%
  group_by(date, ora = hour(endTime), weekday = wday(date, label = TRUE))%>% #wday mi trova il giorno della settimana della data che gli passo, label true per averlo come stringa e non numero
  summarize(minutiAscoltati = sum(minutes))%>% 
  ggplot(aes(x = ora, y = minutiAscoltati, group = date)) +
  geom_col(fill = "#66b2ff") +
  labs(x= "Ora del giorno", y= "Minuti di ascolto") + 
  ggtitle("Attività da 0 a 23h - primo periodo")
 
hoursDayUno
```



```{r ascolto nelle ore giorno secondo periodo}
#secondo periodo
hoursDayDue <- mySpotify_2 %>%
  filter(date >= "2020-03-25") %>%
  group_by(date, ora = hour(endTime), weekday = wday(date, label = TRUE))%>% #wday mi trova il giorno della settimana della data che gli passo, label true per averlo come stringa e non numero
  summarize(minutiAscoltati = sum(minutes), oreAscoltate = minutiAscoltati/60) %>% 
  ggplot(aes(x = ora, y = minutiAscoltati, group = date)) +
  geom_col(fill = "#66b2ff") +
  labs(x= "Ora del giorno", y= "Minuti di ascolto") + 
  ggtitle("Attività da 0 a 23h - secondo periodo")

hoursDayDue
```


La mia attività di ascolto è spalmata in tutto il giorno, soprattutto nel pomeriggio e tarda mattinata.


# Attività di riproduzione per orario del giorno e giorno della settimana

## In quali giorni della settimana ho più attività di ascolto?


```{r ascolto settimana primo periodo}
#primo periodo
giornoUno <- mySpotify_2 %>% # per ogni giorno vedo quanti minuti ho ascoltato e a che ora del giorno
  filter(date <= "2020-03-24") %>% 
  group_by(date, hour = hour(endTime), weekday = wday(date, label = TRUE)) %>%
  summarize(minutesListened = sum(minutes))

asd <- giornoUno %>% 
  group_by(weekday, hour) %>% #raggruppo per giorno della settimana e ora
  summarize(minutes = sum(minutesListened)) %>% #sommo i minuti ascoltati
  ggplot(aes(x = hour, weekday, fill = minutes)) + 
  geom_tile() + 
  scale_fill_gradient(low = "green", high = "blue") +
  labs(x= "Ora del giorno", y= "Giorno della settimana") + 
  ggtitle("In quali giorni della settimana ho più attività di ascolto? - primo periodo") 
ggplotly(asd)


```


```{r ascolto settimana secondo periodo}
#secondo periodo
giornoDue <- mySpotify_2 %>% # per ogni giorno vedo quanti minuti ho ascoltato e a che ora del giorno
  filter(date >= "2020-03-25") %>% 
  group_by(date, hour = hour(endTime), weekday = wday(date, label = TRUE)) %>%
  summarize(minutesListened = sum(minutes))

asdf <- giornoDue %>% 
  group_by(weekday, hour) %>% #raggruppo per giorno della settimana e ora
  summarize(minutes = sum(minutesListened)) %>% #sommo i minuti ascoltati
  ggplot(aes(x = hour, weekday, fill = minutes)) + 
  geom_tile() + 
  scale_fill_gradient(low = "green", high = "blue") +
  labs(x= "Ora del giorno", y= "Giorno della settimana") + 
  ggtitle("In quali giorni della settimana ho più attività di ascolto? - secondo periodo") 
ggplotly(asdf)
```


## Attività di riproduzione per orario del giorno e giorno della settimana - grafico a linee

```{r linee primo periodo}
#primo periodo
weekDayUno <- giornoUno %>% 
  group_by(weekday, hour) %>% 
  summarize(minutes = sum(minutesListened)) %>% 
  ggplot(aes(x = hour, y = minutes, color = weekday)) + 
  geom_line() +
  labs(x= "Ora del giorno", y= "Minuti di ascolto") + 
  ggtitle("In quale giorno della settimana e ora del giorno ho ascoltato più musica?", "Line chart - primo periodo") 
weekDayUno

lessUno <- giornoUno %>% 
  group_by(weekday) %>% 
  summarize(minutes = sum(minutesListened)) %>%
  arrange(-minutes)

lessUno
```


```{r linee secondo periodo}
#secondo periodo
weekDayDue <- giornoDue %>% 
  group_by(weekday, hour) %>% 
  summarize(minutes = sum(minutesListened)) %>% 
  ggplot(aes(x = hour, y = minutes, color = weekday)) + 
  geom_line() +
  labs(x= "Ora del giorno", y= "Minuti di ascolto") + 
  ggtitle("In quale giorno della settimana e ora del giorno ho ascoltato più musica?", "Line chart - secondo periodo") 
weekDayDue

lessDue <- giornoDue %>% 
  group_by(weekday) %>% 
  summarize(minutes = sum(minutesListened)) %>%
  arrange(-minutes)

lessDue
```


Mi sono sorpresa del fatto che la linea tracciata sia simile per tutti i giorni della settimana e come il picco delle 7 di mattina sia scomparso.

# Quali sono le canzoni che ho ascoltato più volte dall'inizio? (>= 80 riproduzioni)

```{r top canzoni}
#mostStreamedSongs = streamHistory2 %>%
mostStreamedSongs = completeTot %>%
  filter(msPlayed >= 50000) %>% # devo aver ascoltato la canzone almeno 50 secondi
  group_by(trackName, artistName) %>%
  count(trackName) %>%
  arrange(-n) %>%
  filter(n >= 80)

mostStreamedArtist = mostStreamedSongs %>%
  group_by(artistName) %>%
  count(artistName) %>%
  mutate(perc = floor((n/nrow(mostStreamedSongs)) * 100)) %>%
  arrange(-n)

#mostStreamedArtist

#provo grafico, nei 2 assi n volte e titolo brano, colore artista
#n come colore?
#y frequenza e x top 50
#x artista, y numerosità

canzoniPiuAscoltate <- mostStreamedSongs %>%
  ggplot(aes(x = reorder(trackName, -n), y = n, fill = artistName, text = paste("track Name: ", trackName, "<br>", "artist: ", artistName, "<br>", "n: ", n))) +
  geom_col() +
  ggtitle("Le mie canzoni più ascoltate dall'inizio! (> 80 volte)")+
  theme(axis.text.x = element_blank())+ #tolgo nome brano da asse x
  labs(x= "tracce", y= "tot. riproduzioni")

#The unofficial text aesthetic allows you to introduce all the variables you want
#At last I choose what I want to show in the tooltip
ggplotly(canzoniPiuAscoltate, tooltip=c("text"))
```
La canzone che ho ascoltato di più in assoluto è Eastside di Halsey e Khalid, l'ho riprodotta per ben 249 volte!
C'è una vasta gamma di artisti diversi ma sono presenti ben 22 brani di Lana Del Rey.


# Le mie canzoni salvate nella libreria

Oltre a tutte le canzoni che ho riprodotto è presente anche un file con le canzoni che ho salvato nella libreria nel momento della richiesta dei dati.

```{r aggiunta canzoni Lorde}
# aggiungo ultime canzoni di Lorde a mano
savedTracks = savedTracks %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "Buzzcut Season", uri = "spotify:track:3ShTaJBCOclymogQNzPde7") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "Glory And Gore", uri = "spotify:track:0SK9wxN40P6jlcMfTSAe0V") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "Still Sane", uri = "spotify:track:0t1D6NQt3uhZnam0yg8Wv3") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "White Teeth Teens", uri = "spotify:track:15LzvCtoJWwsrTWJMWUTOv") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "A World Alone", uri = "spotify:track:2HLnzsXJ3mD9UWAa3RY89n") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "Bravado", uri = "spotify:track:02ZorlDGq0uTnMobHNh4EL") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "Million DOllar Bills", uri = "spotify:track:3Lw7lWTJlcqlx8E9HFmByr") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "The Love Club", uri = "spotify:track:2yrJ1jWo3HLksJFUqUsZE4") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "Biting Down", uri = "spotify:track:45UvXCltvMpEPNLGzG0NYk") %>%
  add_row(artist = "Lorde", album = "Pure Heroine", track = "Swingin Party", uri = "spotify:track:7otV7kSzDMo11qLlw8pAtr") %>%
  add_row(artist = "Lorde", album = "The Hunger Games: Mockingjay Pt.1 (Original Motion Picture Soundtrack)", track = "Meltdown", uri = "spotify:track:27qvbQ10N5uoqXvYT9MqZt") %>%
  add_row(artist = "Lorde", album = "Caracal (Deluxe)", track = "Magnets", uri = "spotify:track:7nRmfGNhHKEEu5o8yFXLXt") %>%
  add_row(artist = "Lorde", album = "MTV Unplugged", track = "Don't Take The Money", uri = "spotify:track:25wTebB8ECapFHWRPywpYR") %>%
  add_row(artist = "Lorde", album = "Alternate Worlds", track = "Easy", uri = "spotify:track:0rkqMaZsWZzfdz4brrhS14") %>%
  add_row(artist = "Lorde", album = "The Hunger Games: Mockingjay Pt.1 (Original Motion Picture Soundtrack)", track = "Yellow Flicker Beat", uri = "spotify:track:0HVINS0AfIuck7csStOEHP")
```


## Artisti con più brani salvati nella libreria

```{r top artisti}
artistiConPiuBrani = savedTracks %>%
  group_by(artist) %>%
  count(artist) %>%
  arrange(-n)

green <- "#1ed760"
yellow <- "#e7e247"
pink <- "#ff6f59"
blue <- "#17bebb"
  
#fattori vengono utilizzati per lavorare con variabili categoriali, variabili che hanno un insieme fisso e noto di possibili valori.
  # artisti con piu brani nella libreria
plotartistiConPiuBrani <- artistiConPiuBrani %>%
  filter(n >= 11) %>%
  mutate(freq = case_when(n > 100 ~ '> 100 brani', #qui credo i 4 livelli
      between(n, 50, 99) ~ '50-99 brani',
      between(n, 20, 49) ~ '20-49 brani',
      TRUE ~ '< 20 brani')) %>% #creo un factor, lo divido nei 4 livelli visto che n può assumere 4 livelli diversi
  mutate(freq = factor(freq, levels = c('> 100 brani', '50-99 brani', '20-49 brani', '< 20 brani'))) %>% #assegno il giusto livello
  ggplot(mapping = aes(x = reorder(artist, -n), y = n, fill = freq, text = paste("artista: ", artist, "<br>", "n canzoni : ", n))) +
  geom_col() +
  scale_fill_manual(values=c(green, yellow, pink, blue)) +
  labs(x= "Artista", y= "Numero di canzoni") +
  ggtitle("Artisti con più brani salvati nella libreria") +
  theme(axis.text.x = element_text(angle = -60))
ggplotly(plotartistiConPiuBrani, tooltip=c("text"))
#taylor complete collection: 267 brani
#lana complete collection: 107 brani
```


# Spotify API e spotifyr

## le mie ultime 5 canzoni ascoltate


```{r ultime five canzoni}
get_my_recently_played(limit = 5) %>% 
    mutate(artist.name = map_chr(track.artists, function(x) x$name[1]), #map_chr da vettore di caratteri, prendo solo il primo
           played_at = as_datetime(played_at)) %>% 
    select(track.name, artist.name, track.album.name, played_at) %>% 
    kable() #funzione di knitr per creare tabelle
# funzione map_chr: trasforma l'input applicando una funzione ad ogni elemento e ritorna un vettore della stessa lunghezza dell'input. chr = character vector

```


# Quadrante emotivo dei miei artisti più ascoltati nel mese di luglio


```{r top artisti mese}
shortTermArtists <- get_my_top_artists_or_tracks(type = 'artists', time_range = 'short_term', limit = 11) %>%
  select(name, genres, popularity) %>% 
    rowwise %>% 
    mutate(genres = paste(genres, collapse = ', ')) %>% 
    ungroup

#devo salvarli in un file csv perchè i dati vengono modificati
#shortTermArtists

#write.csv(shortTermArtists,"shortTermArtists.csv", row.names = FALSE)
shortTermA <- read.csv("shortTermArtists.csv")
shortTermA <- as_tibble(shortTermA)
shortTermA

```



```{r quadrante emotivo top cantanti}
# prendo discografia dei top 8 cantanti del mese
favArtist1 <- get_artist_audio_features(artist= "Taylor Swift")
favArtist2 <- get_artist_audio_features(artist= "Lorde", include_groups = c("album", "single"))
favArtist3 <- get_artist_audio_features(artist= "Lana Del Rey")
favArtist4 <- get_artist_audio_features(artist= "Tove Lo")
favArtist5 <- get_artist_audio_features(artist= "Sasha Alex Sloan", include_groups = c("album", "single", "appears_on"))
favArtist6 <- get_artist_audio_features(artist= "Avril Lavigne")
favArtist7 <- get_artist_audio_features(artist= "Chase Atlantic", include_groups = c("album", "single"))
favArtist8 <- get_artist_audio_features(artist= "HAIM")

#per certi includo anche i singoli e le canzoni in cui compaiono


#CAMBIARE E TOGLIERE GLI ALBUM INUTILI!!! TENERE SOLO QUELLI IMPORTANTI -> seleziono quelli che mi interessano con which in c(nomi album)
#prendo solo gli album utili per tay, tolgo le release in piu tipo gli speciali o gli ep
favArtist1 <- favArtist1[which(favArtist1$album_name %in% c("1989 (Deluxe)","evermore (deluxe version)", "Fearless (Platinum Edition)", "Fearless (Taylor's Version)", "folklore (deluxe version)", "Lover", "Red (Deluxe Edition)", "reputation", "Speak Now (Deluxe Package)", "Taylor Swift")),]

#prendo le canzoni uniche, non ripetute
favArtist1 <- favArtist1 %>%
  distinct(track_name, .keep_all = TRUE) # per tenere anche le altre colonne, di default tiene solo track_name

#prendo solo gli album utili per lorde
favArtist2 <- favArtist2[which(favArtist2$album_name %in% c("Solar Power", "Melodrama", "Pure Heroine (Extended)", "Yellow Flicker Beat (From The Hunger Games: Mockingjay Part 1)")),]

#prendo le canzoni uniche, non ripetute
favArtist2 <- favArtist2 %>%
  distinct(track_name, .keep_all = TRUE)

#prendo solo gli album utili per lana
favArtist3 <- favArtist3[which(favArtist3$album_name %in% c("Born To Die – Paradise Edition (Special Version)", "Chemtrails Over The Country Club", "Honeymoon", "Lust For Life", "Norman Fucking Rockwell!", "Ultraviolence (Deluxe)")),]

#prendo le canzoni uniche, non ripetute
favArtist3 <- favArtist3 %>%
  distinct(track_name, .keep_all = TRUE) 

#prendo solo gli album utili per tove lo
favArtist4 <- favArtist4[which(favArtist4$album_name %in% c("Sunshine Kitty", "BLUE LIPS (lady wood phase II)", "Lady Wood", "Queen Of The Clouds")),]

#prendo le canzoni uniche, non ripetute
favArtist4 <- favArtist4 %>%
  distinct(track_name, .keep_all = TRUE)

#prendo solo gli album utili per sasha sloan
favArtist5 <- favArtist5[which(favArtist5$album_name %in% c("Only Child", "Love Runs Out (feat. G-Eazy & Sasha Alex Sloan)", "barcelona", "when was it over? (feat. Sam Hunt)", "Self Portrait", "Loser", "sad girl")),]

#prendo le canzoni uniche, non ripetute
favArtist5 <- favArtist5 %>%
  distinct(track_name, .keep_all = TRUE)


#avril è okay ma prendo le canzoni uniche
favArtist6 <- favArtist6 %>%
  distinct(track_name, .keep_all = TRUE)

#prendo solo gli album utili per i chase atlantic
favArtist7 <- favArtist7[which(favArtist7$album_name %in% c("Dalliance", "Nostalgia", "Paradise EP", "Part One", "Self Portrait", "Part Two", "Part Three", "DON'T TRY THIS", "Chase Atlantic", "hurts 2 hate somebody (with Chase Atlantic & No Rome)", "PHASES", "BEAUTY IN DEATH")),]

#prendo le canzoni uniche, non ripetute
favArtist7 <- favArtist7 %>%
  distinct(track_name, .keep_all = TRUE)

#prendo solo gli album utili per le HAIM
favArtist8 <- favArtist8[which(favArtist8$album_name %in% c("Women In Music Pt III (Expanded Edition)", "Something to Tell You", "Days Are Gone (Deluxe Edition)")),]

#prendo le canzoni uniche, non ripetute
favArtist8 <- favArtist8 %>%
  distinct(track_name, .keep_all = TRUE)


#creo un unico df
topArtists <- rbind(favArtist1, favArtist2, favArtist3, favArtist4, favArtist5, favArtist6, favArtist7, favArtist8)

quadranteEmotivo <- ggplot(data = topArtists, aes(x = valence, y = energy, color = artist_name)) +
  geom_jitter(aes(text = track_name)) + #jitter e non point per evitare sovrastampa di punti nel grafico
  geom_vline(xintercept = 0.5) + #righe per dividere in 4
  geom_hline(yintercept = 0.5) +
  scale_x_continuous(expand = c(0, 0), limits = c(0, 1)) + # limits limita i valori sugli assi da 0 a 1
  scale_y_continuous(expand = c(0, 0), limits = c(0, 1)) + # expand centra gli assi del grafico sull'origine
  annotate('text', 0.17, 0.95, label = "Energetico/Arrabbiato", fontface = "bold") + #per scrivere i 4 testi negli angoli
  annotate('text', 1.75 / 2, 0.95, label = "Energetico/Felice", fontface = "bold") +
  annotate('text', 0.865, 0.05, label = "Pacifico/Tranquillo", fontface = "bold") +
  annotate('text', 0.13, 0.05, label = "Triste/Lento", fontface = "bold") +
  labs(x= "Valence", y= "Energy") +
  ggtitle("Quadrante emotivo dei miei artisti più ascoltati nel mese di luglio")  
ggplotly(quadranteEmotivo)
```


# Generi più ascoltati nel mese di luglio


```{r top generi}
# trova i MIEI artisti più ascoltati ultimamente
#genereShort = get_my_top_artists_or_tracks(type = 'artists', time_range = 'short_term') %>%
#    select(name, genres, popularity, followers.total) %>% 
#    rowwise %>%  # It is also useful to support arbitrary complex operations that need to be applied to each row.
#    mutate(genres = paste(genres, collapse = ', ')) %>% 
#    ungroup


#mi copio la tabella perhcè viene modificata!
#write.csv(genereShort,"genereShort.csv", row.names = FALSE)

genereShort <- read.csv("genereShort.csv")

# GRAFICO GENERI TOP ARTISTI!!!
#modifico la tabella
genereShort$pop = 0              #5
genereShort$postTeen.pop = 0     #6
genereShort$art.pop = 0          #7
genereShort$dance.pop = 0        #8
genereShort$electropop = 0       #9
genereShort$indie.pop = 0        #10
genereShort$uk.pop = 0           #11
genereShort$modern.rock = 0      #12
genereShort$pop.rock = 0         #13
genereShort$pop.rap = 0          #14
genereShort$RandB = 0            #15
genereShort$punk = 0             #16

# assegno ad ogni artista il genere esatto, cosi poi conto
#Tay
genereShort[1,5] = 1
genereShort[1,6] = 1
#Lorde
genereShort[2,7] = 1
genereShort[2,8] = 1
genereShort[2,9] = 1
genereShort[2,5] = 1
genereShort[2,6] = 1
#Sasha Sloan
genereShort[3,9] = 1
genereShort[3,10] = 1
genereShort[3,5] = 1
genereShort[3,6] = 1
#OLIVIA
genereShort[4,5] = 1
#TOVE LO
genereShort[5,8] = 1
genereShort[5,9] = 1
genereShort[5,5] = 1
genereShort[5,6] = 1
genereShort[5,14] = 1
#LANA
genereShort[6,7] = 1
genereShort[6,5] = 1
#ANNE MARIE
genereShort[7,8] = 1
genereShort[7,5] = 1
genereShort[7,6] = 1
genereShort[7,11] = 1
#CHASE ATLANTIC
genereShort[8,12] = 1
genereShort[8,5] = 1
#AVRIL
genereShort[9,5] = 1
genereShort[9,6] = 1
genereShort[9,8] = 1
#HAIM
genereShort[10,7] = 1
genereShort[10,8] = 1
genereShort[10,10] = 1
genereShort[10,13] = 1
#BILLIE
genereShort[11,9] = 1
genereShort[11,5] = 1
#Demi Lovato
genereShort[12,5] = 1
genereShort[12,6] = 1
genereShort[12,8] = 1
#Dua Lipa
genereShort[13,8] = 1
genereShort[13,5] = 1
genereShort[13,11] = 1
#Sleeping At Last
genereShort[14,5] = 1
genereShort[14,10] = 1
genereShort[14,13] = 1
#FLETCHER
genereShort[15,8] = 1
genereShort[15,9] = 1
genereShort[15,5] = 1
genereShort[15,6] = 1
genereShort[15,10] = 1
#THE WEEKND
genereShort[16,5] = 1
genereShort[16,15] = 1
#Halsey
genereShort[17,8] = 1
genereShort[17,9] = 1
genereShort[17,5] = 1
genereShort[17,6] = 1
genereShort[17,10] = 1
#Rita Ora
genereShort[18,8] = 1
genereShort[18,9] = 1
genereShort[18,14] = 1
genereShort[18,6] = 1
genereShort[18,11] = 1
#BLINK 182
genereShort[19,16] = 1
#KHALID
genereShort[20,5] = 1


#creo un nuovo dataframe per fare un grafico sui generi più ascoltati recentemente
nome <- c("pop", "post-teen pop", "art pop", "dance pop", "electropop", "indie pop", "uk pop", "modern rock", "pop rock", "pop rap", "r&b", "punk")
tot <- c(17, 10, 3, 10, 7, 5, 3, 1, 2, 2, 1, 1)

gen <- data.frame(nome, tot)

# farlo direttamente con plotly perchè con ggplot2 non va poi

generi <- plot_ly(gen, labels = ~nome, values = ~tot, type = 'pie')
generi <- generi %>% layout(title = 'Generi più riprodotti ultimamente',
         xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE))

generi

#netta maggioranza per il pop ma è presente anche rock e punk!

```

Sono presenti molte sfumature del pop, il quale è palesemente il mio genere più ascoltato ultimamente; a seguire rock e punk.


# Conclusione

cambiamenti più rilevanti: 

* abbonamento premium (autunno 2019)

* quarantena (marzo 2020)  -> musica più triste, arrabbiata e nostalgica