使用spotifyr聚类Springsteen专辑

测试开头

使用spotifyr聚类Springsteen专辑

笔者邀请您，先思考：

1 如何对数据集做相关性分析和聚类分析？

spotifyr包很棒，让我们来探索音乐的各个方面，如节奏、舞蹈性和化合价。在这篇文章中，我们将从相同点和不同点来探讨布鲁斯·斯普林斯汀的专辑。

 1# devtools::install_github('charlie86/spotifyr')
 2
 3library(spotifyr)
 4library(tidyverse)
 5library(magrittr)
 6library(ggridges)
 7library(ggcorrplot)
 8library(viridisLite)
 9library(factoextra)
10library(ggiraphExtra)

使用get_artist_audio_features()函数很容易获得数据。在这里，我们将从csv文件中加载它并查看。

1# df <- get_artist_audio_features(artist = "bruce springsteen")
2
3df <- read_csv("https://raw.github.com/peerchristensen/Springsteen_album_clusters/master/springsteen_albums.csv")
4
5glimpse(df)

 1## Observations: 537
 2## Variables: 31
 3## $ artist_name            <chr> "Bruce Springsteen", "Bruce Springsteen...
 4## $ artist_uri             <chr> "3eqjTLE0HfPfh78zjh6TqT", "3eqjTLE0HfPf...
 5## $ album_uri              <chr> "0PMasrHdpaoIRuHuhHp72O", "0PMasrHdpaoI...
 6## $ album_name             <chr> "Born In The U.S.A.", "Born In The U.S....
 7## $ album_img              <chr> "https://i.scdn.co/image/d002b63ceb5658...
 8## $ album_type             <chr> "album", "album", "album", "album", "al...
 9## $ is_collaboration       <lgl> FALSE, FALSE, FALSE, FALSE, FALSE, FALS...
10## $ album_release_date     <chr> "1984-06-04", "1984-06-04", "1984-06-04...
11## $ album_release_year     <date> 1984-06-04, 1984-06-04, 1984-06-04, 19...
12## $ album_popularity       <dbl> 76, 76, 76, 76, 76, 76, 76, 76, 76, 76,...
13## $ track_name             <chr> "Born in the U.S.A.", "Cover Me", "Darl...
14## $ track_uri              <chr> "0dOg1ySSI7NkpAe89Zo0b9", "4U7NhC2rQTAh...
15## $ track_number           <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, ...
16## $ disc_number            <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ...
17## $ danceability           <dbl> 0.398, 0.535, 0.536, 0.429, 0.544, 0.62...
18## $ energy                 <dbl> 0.952, 0.884, 0.982, 0.949, 0.762, 0.44...
19## $ key                    <chr> "E", "A", "G", "C", "A#", "C#", "F", "A...
20## $ loudness               <dbl> -6.042, -5.499, -4.674, -5.295, -7.289,...
21## $ mode                   <chr> "major", "minor", "major", "major", "ma...
22## $ speechiness            <dbl> 0.0610, 0.0407, 0.0389, 0.0458, 0.0382,...
23## $ acousticness           <dbl> 0.000373, 0.001880, 0.014100, 0.084200,...
24## $ instrumentalness       <dbl> 7.75e-05, 1.26e-03, 3.67e-05, 0.00e+00,...
25## $ liveness               <dbl> 0.1000, 0.1400, 0.2740, 0.1540, 0.0740,...
26## $ valence                <dbl> 0.584, 0.796, 0.963, 0.967, 0.473, 0.86...
27## $ tempo                  <dbl> 122.093, 120.555, 119.201, 184.286, 120...
28## $ duration_ms            <dbl> 278680, 205987, 288027, 192267, 215427,...
29## $ time_signature         <dbl> 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, ...
30## $ key_mode               <chr> "E major", "A minor", "G major", "C maj...
31## $ track_popularity       <dbl> 72, 51, 45, 47, 49, 71, 50, 47, 53, 62,...
32## $ track_preview_url      <chr> "https://p.scdn.co/mp3-preview/3b6a5b91...
33## $ track_open_spotify_url <chr> "https://open.spotify.com/track/0dOg1yS...

我们只需要做一点清洗和删除一些非录音室的专辑。

 1# some albums only have one song, some are alternate versions
 2
 3remove_albums <- c("Greatest Hits",
 4                   "Hammersmith Odeon, London 75",
 5                   "The Essential Bruce Springsteen (Bonus Disc)",
 6                   "The Ties That Bind: The River Collection",
 7                   "Chapter and Verse",
 8                   "The Promise",
 9                   "Tracks")
10
11df %<>% 
12  filter(!album_name %in% remove_albums,
13         !grepl("live|Live",album_name)) %>%
14  mutate(album_name = str_to_title(album_name))
15
16df$album_name <- gsub(":.*","",df$album_name)
17df$album_name[grepl("Innocent",df$album_name)]  <- "The Wild, The Innocent.."
18df$album_name[grepl("Greetings",df$album_name)] <- "Greetings"
19df$album_name[grepl("Darkness",df$album_name)]  <- "Darkness"

让我们先来看看Springsteen歌曲中最常用的五个键。

 1df                   %>% 
 2  select(key_mode)   %>%
 3  group_by(key_mode) %>%
 4  count()            %>%
 5  arrange(desc(n))   %>%
 6  ungroup()          %>%
 7  top_n(5)           %>%
 8  mutate(ordered = row_number()) %>%
 9
10  ggplot(aes(x = reorder(key_mode,desc(ordered)), y = n, fill = n)) +
11  geom_col() +
12  coord_flip() +
13  ggtitle("Five most common keys") +
14  scale_fill_viridis_c(option="B", direction = -1,guide=F) +
15  theme_minimal() +
16  labs(y = "n",x = "key")

正如我们所看到的，spotifyr从spotify API获取了许多有趣的数据。让我们先来看看每张专辑的舞蹈性。“天生就会跑步”的可舞性最低，而“爱的隧道”的可舞性最高。

 1df                     %>% 
 2  group_by(album_name) %>%
 3
 4  ggplot(aes(x    = danceability, 
 5             y    = reorder(album_name,desc(album_release_year)),
 6             fill = reorder(album_name,desc(album_release_year)))) +
 7  geom_density_ridges(colour = "snow") +
 8  scale_fill_viridis_d(option = "B", begin = .05, direction = -1, guide = F) +
 9  theme_minimal() +
10  ggtitle("Danceability") +
11  labs(y="album")

让我们把所有的特征放在同一个图中。

 1df %>% 
 2  gather(key = feature, value = measure, 
 3         danceability, energy, loudness, valence, tempo, acousticness) %>%
 4  group_by(album_name) %>%
 5
 6  ggplot(aes(x    = measure, 
 7             y    = reorder(album_name,desc(album_release_year)), 
 8             fill = album_release_date)) +
 9  geom_density_ridges(rel_min_height = 0.005, legend = F, alpha = .9, size = .2, colour = "snow") +
10  facet_wrap(~feature, scales = "free", ncol = 2) +
11  scale_fill_viridis_d(option ="B" ,begin = .05) +
12  theme_minimal() +
13  theme(axis.text.y = element_text(size = 7)) +
14  labs(y = "album name") +
15  ggtitle("Springsteen albums in six features",
16          subtitle = "Acousticness, danceability, energy, loudness, tempo and valence") +
17  guides(fill = FALSE)

将各个特征之间的相关性形象化也会很有趣。energy和loudness是正相关的，而acousticness和loudness是负相关的，这不足为奇。

 1sign_test <- df %>% 
 2  select(acousticness,danceability,energy,loudness,tempo,valence) %>%
 3  cor_pmat()
 4
 5df  %>% 
 6  select(acousticness,danceability,energy,loudness,tempo,valence) %>%
 7  cor() %>%
 8  ggcorrplot(type   = "lower", 
 9             p.mat  = sign_test,
10             colors = c(inferno(5)[2], "snow", inferno(5)[4])) +
11  ggtitle("Correlations between features",
12          subtitle = "Non-significant correlations marked with X")

基于这些特征，我们还可以探索专辑在距离矩阵中的相似性。在这幅图中，橙色表示专辑之间的高度差异或很大的“距离”。

 1dfScale <- df %>%
 2  select(album_name,acousticness,danceability,energy,loudness,tempo,valence) %>%
 3  group_by(album_name) %>%
 4  summarise(acousticness = mean(scale(acousticness)),
 5            danceability = mean(scale(danceability)),
 6            energy       = mean(scale(energy)),
 7            loudness     = mean(scale(loudness)),
 8            tempo        = mean(scale(tempo)),
 9            valence      = mean(scale(valence))) %>%
10  data.frame()
11
12row.names(dfScale) <- dfScale$album_name
13
14dfScale %<>% 
15  select(-album_name) %>%
16  data.frame()
17
18df_dist <- get_dist(dfScale, stand = TRUE)
19
20fviz_dist(df_dist,gradient = list(low = inferno(5)[2], mid = "white", high = inferno(5)[4])) +
21  theme_minimal() +
22  ggtitle("Distance matrix",
23          subtitle  = "Similarity between albums based on all features") +
24  theme(axis.text.x = element_text(hjust = 1,angle = 45),
25        axis.title = element_blank())
26

为了获得更清晰的图像，我们可以使用ggiraphExtra包中的雷达图来探索专辑和特征之间的模式。

 1dfScale %>%
 2  mutate(albums = row.names(dfScale)) %>%
 3  ggRadar(aes(group = albums), 
 4        rescale = FALSE, legend.position = "none",
 5        size = 1, interactive = FALSE, use.label = TRUE) +
 6  facet_wrap(~albums) + 
 7  scale_y_discrete(breaks = NULL) +
 8  theme(axis.text.x = element_text(size = 10)) +
 9  theme_minimal() +
10  theme(legend.position = "none") +
11  scale_fill_viridis_d(option="B") +
12  scale_colour_viridis_d(option="B")

最后一步，我们将了解如何使用分层和k-means聚类根据各种特征对专辑进行分组。我们首先使用factoExtra包中的fviz_nbclust()函数来计算聚类的最优数量。注意，函数中包含不同的方法来计算聚类的数量。默认情况下使用“silhouette”方法。

1fviz_nbclust(dfScale, hcut) +
2  ggtitle("Optimal Number of Clusters: H-Clustering")

1df.hc <- hclust(dist(scale(dfScale)))
2
3fviz_dend(df.hc, k = 3,
4          cex = .9,
5          k_colors = inferno(10)[c(4,7)],
6          color_labels_by_k = TRUE, 
7          rect = TRUE) +
8  ggtitle("Hierachical Clustering")
9

1fviz_nbclust(dfScale, kmeans) +
2  ggtitle("Optimal Number of Clusters: K-means Clustering")

 1set.seed(324789)
 2km.res <- kmeans(dfScale, 2, nstart = 25)
 3
 4fviz_cluster(km.res, data = dfScale,
 5             ellipse.type = "convex",
 6             repel = T,
 7             palette = inferno(10)[c(4,6,8)],
 8             ggtheme = theme_minimal(),
 9             main = "K-means Clustering") 
10