怀古游戏宅SIR想搞清楚自己这一年到底在听什么，别只用 Spotify 官方的 Wrapped 年终总结，那玩意儿好看是好看，但信息密度太低了。我去年整理自己的听歌数据时发现，用 Python 把 Spotify 的播放记录拉下来做一次完整分析，能看到的维度远比官方总结丰富——几点钟最沉迷、周末和通勤时段在听什么、口味在一年里怎么漂移、音频特征有没有变“丧”，这些都能量化。这篇文章就完整记录我是怎么用 Python 分析 Spotify 听歌数据的，从授权拿数、清洗处理到可视化出图，全程可复现，适合刚学 Python 想找真实项目练手的人，也适合想深度了解自己听歌习惯的老玩家。
1. 项目思路与整体设计：先想清楚要分析什么，再动手写代码
做个人数据分析项目最大的坑就是一上来就写代码。我一开始也犯过这个毛病，急着调通接口看到数据，结果拿到一堆 JSON 之后不知道拿字段干什么，又回头重新设计。所以先花几分钟把分析目标定下来，后面会省一大半时间。
1.1 拿到了数据，能回答哪些问题
Spotify 的听歌数据能分析的方向非常多，我这次主要锁定了五个问题：
- 每天什么时候听歌最集中，工作日和周末的模式有什么差异
- 播放时长最长的 Top 歌手、Top 歌曲分别是谁
- 一周七天里哪几天听歌最猛，哪个季节或月份听歌时长有明显变化
- 我的听歌时段分布是“通勤型”“工作背景音型”还是“深夜emo型”
- 如果拿到音频特征数据，还能看出我喜欢歌曲的平均能量、愉悦度、声学度倾向
这些问题拆开看就是数据聚合和可视化的事，难度不高，但能拼出一张完整的“听歌画像”。我建议你把想解决的问题写到纸上，后面每一步处理都对照这些问题，避免瞎逛。
1.2 为什么首选官方 API，而不是去做爬虫
很多新手第一反应是去爬网页版 Spotify，或者抓公共播放列表。我很不推荐这么干，原因有两个。第一，Spotify Web API 是官方提供的数据接口，播放记录、歌曲信息、音频特征都有结构化字段，做数据分析要的是干净数据，不是从 HTML 里辛苦抠出来的文本；第二，自己账号的数据涉及隐私，用官方 API 走正规授权流程，比抓包和模拟请求安全得多，也省心得多。
爬虫不是不能用，但在这个场景里属于“吃力不讨好”。API 一次请求返回的都是规整的 JSON，字段名稳定、文档齐全，数据量大一点还能分页拿到更多记录。所以我下面所有流程都基于 Spotify 官方 Web API。
1.3 两种数据获取路线，按需求选一种
我之前以为 Web API 能把开号以来的全部听歌记录都拉回来，跑完才发现不是这么回事。recently-played 这个端点一次最多返回 50 条，能查到的范围也锁死在最近 90 天内，所以想做“全年完整回顾”，单靠 API 不现实。
| 数据获取方式 | 覆盖范围 | 数据量 | 适合场景 |
|---|---|---|---|
| Web API（recently-played） | 最近 90 天 | 最多 50 条/页，可分页 | 了解近期听歌习惯、做实时监控 |
| Web API（user-top-read） | 长期聚合 | Top 50 歌曲/歌手 | 看长期口味，不需要时间维度 |
| 官方数据导出（Extended streaming history） | 全部历史记录 | 全部播放事件 | 长期趋势分析、完整回顾 |
我自己最后是两条路线都跑了：先用 API 拿近期数据做“近期画像”，然后去 Spotify 账号后台申请了完整历史数据导出，等到邮件通知后下载了 JSON 文件，这样才拿到了真正意义上从第一天用 Spotify 开始的完整播放记录。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境准备与工具选型：Python 环境、虚拟环境和核心库
这个项目用到的库不算多，但有一个算一个都是数据分析和处理的主力。先把环境配好，后面才不会装依赖装到怀疑人生。
2.1 Python 版本和虚拟环境
我本机用的是 Python 3.10+，其实 3.9 以上都能跑。如果你是第一次装 Python，Windows 上记得安装时勾选 “Add Python to PATH”，不然命令行里敲 python 会提示找不到命令。macOS 用户系统自带的是 2.7 时代遗留下来的问题，我建议直接用 Homebrew 装一个新版，省得后面跟系统自带版本搞混。
装好 Python 之后，我强烈建议为这个项目单独建一个虚拟环境，别往全局环境里怼依赖。我有一次直接全局装了一大堆包，后来版本冲突把系统工具都搞出问题了，老老实实敲了这么几条命令：
bash复制python -m venv spotify_env
# Windows 激活
spotify_env\Scripts\activate
# macOS / Linux 激活
source spotify_env/bin/activate
虚拟环境能隔离项目依赖，之后不管装哪个版本的 pandas 或 spotipy，都不会污染系统 Python，出问题删掉重建就行，成本几乎为零。
2.2 核心库清单和安装命令
这个项目用到的核心库和它们各自的职责如下：
spotipy：Spotify Web API 的 Python 封装，处理授权、请求、分页都方便，不用自己写一堆请求头pandas：数据分析的地基，加载 JSON、清洗、聚合、统计全靠它matplotlib：基础的静态图表，画折线、柱状图、热力图都够用seaborn：基于 matplotlib 的高级绘图库，默认主题比裸 matplotlib 好看几个档次python-dotenv：管理 Client ID 和 Client Secret，避免把密钥硬编码在代码里plotly（可选）：生成交互式图表，适合导出 HTML 自己慢慢玩
安装就一句话：
bash复制pip install spotipy pandas matplotlib seaborn python-dotenv plotl