使用Python和Spotify API分析个人听歌数据-代码聚汇网

使用Python和Spotify API分析个人听歌数据

乐正雕漆

1. Spotify数据获取与分析概述

作为一名长期使用Spotify的音乐爱好者，我经常好奇自己的听歌习惯和偏好。Spotify作为全球最大的音乐流媒体平台，其实提供了丰富的API接口让我们能够获取和分析个人听歌数据。通过Python编程语言和Spotify官方API，我们可以轻松实现这一目标。

Spotify的Web API提供了完整的音乐数据访问能力，包括用户资料、播放列表、收听历史等。要使用这些数据，我们需要先了解几个关键概念：

Spotify开发者账号：这是访问API的必备条件，任何人都可以免费注册
OAuth认证：Spotify使用标准的OAuth 2.0协议进行身份验证
Spotipy库：这是Spotify官方推荐的Python客户端库，简化了API调用过程

2. 环境准备与认证设置

2.1 创建Spotify开发者应用

首先，我们需要在Spotify开发者平台创建一个应用来获取API访问凭证：

访问Spotify开发者仪表板
使用你的Spotify账号登录
点击"创建应用"按钮
填写应用名称和描述（可以随意填写，如"My Listening Analysis"）
创建完成后，记下显示的"Client ID"和"Client Secret"

重要提示：Client Secret是敏感信息，千万不要直接写在代码中或上传到公开仓库。最佳实践是使用环境变量存储这些凭证。

2.2 安装必要的Python库

我们将使用Spotipy库来简化API调用，同时需要一些数据处理和可视化库：

bash复制pip install spotipy pandas matplotlib seaborn

2.3 配置认证信息

创建一个名为spotify_auth.py的文件来管理认证信息：

python复制import os
from spotipy.oauth2 import SpotifyOAuth

# 设置环境变量
os.environ['SPOTIPY_CLIENT_ID'] = '你的Client ID'
os.environ['SPOTIPY_CLIENT_SECRET'] = '你的Client Secret'
os.environ['SPOTIPY_REDIRECT_URI'] = 'http://localhost:8888/callback'

# 定义需要的权限范围
SCOPE = 'user-library-read user-read-recently-played user-top-read playlist-read-private'

def get_spotify_client():
    return SpotifyOAuth(scope=SCOPE)

3. 获取个人听歌数据

3.1 获取最近播放的歌曲

使用Spotipy获取最近50首播放的歌曲：

python复制import spotipy
from spotipy.oauth2 import SpotifyOAuth
from spotify_auth import get_spotify_client

sp = spotipy.Spotify(auth_manager=get_spotify_client())

def get_recent_tracks(limit=50):
    results = sp.current_user_recently_played(limit=limit)
    tracks = []
    for item in results['items']:
        track = item['track']
        tracks.append({
            'name': track['name'],
            'artist': track['artists'][0]['name'],
            'album': track['album']['name'],
            'played_at': item['played_at'],
            'duration_ms': track['duration_ms'],
            'popularity': track['popularity']
        })
    return tracks

3.2 获取最常听的艺术家和歌曲

Spotify提供了短期(4周)、中期(6个月)和长期(数年)的收听统计：

python复制def get_top_artists(time_range='medium_term', limit=10):
    results = sp.current_user_top_artists(time_range=time_range, limit=limit)
    artists = []
    for item in results['items']:
        artists.append({
            'name': item['name'],
            'genres': item['genres'],
            'popularity': item['popularity']
        })
    return artists

def get_top_tracks(time_range='medium_term', limit=10):
    results = sp.current_user_top_tracks(time_range=time_range, limit=limit)
    tracks = []
    for item in results['items']:
        tracks.append({
            'name': item['name'],
            'artist': item['artists'][0]['name'],
            'album': item['album']['name'],
            'duration_ms': item['duration_ms'],
            'popularity': item['popularity']
        })
    return tracks

3.3 获取保存的歌曲和播放列表

python复制def get_saved_tracks(limit=50):
    results = sp.current_user_saved_tracks(limit=limit)
    tracks = []
    for item in results['items']:
        track = item['track']
        tracks.append({
            'name': track['name'],
            'artist': track['artists'][0]['name'],
            'album': track['album']['name'],
            'added_at': item['added_at']
        })
    return tracks

def get_playlists(limit=50):
    results = sp.current_user_playlists(limit=limit)
    playlists = []
    for item in results['items']:
        playlists.append({
            'name': item['name'],
            'description': item.get('description', ''),
            'tracks_count': item['tracks']['total']
        })
    return playlists

4. 数据分析与可视化

4.1 数据预处理

将获取的数据转换为Pandas DataFrame以便分析：

python复制import pandas as pd

def create_tracks_df(tracks_data):
    df = pd.DataFrame(tracks_data)
    df['played_at'] = pd.to_datetime(df['played_at'])
    df['duration_min'] = df['duration_ms'] / 60000
    return df

# 示例使用
recent_tracks = get_recent_tracks()
recent_df = create_tracks_df(recent_tracks)

4.2 收听时间分析

分析一天中不同时段的收听习惯：

python复制import matplotlib.pyplot as plt

def plot_listening_times(df):
    df['hour'] = df['played_at'].dt.hour
    hourly_counts = df['hour'].value_counts().sort_index()
    
    plt.figure(figsize=(12, 6))
    hourly_counts.plot(kind='bar')
    plt.title('Listening Activity by Hour of Day')
    plt.xlabel('Hour of Day')
    plt.ylabel('Number of Plays')
    plt.xticks(rotation=0)
    plt.show()

4.3 艺术家和歌曲偏好分析

python复制def plot_top_artists(artists_data, top_n=10):
    df = pd.DataFrame(artists_data)
    top_artists = df['name'].value_counts().head(top_n)
    
    plt.figure(figsize=(12, 6))
    top_artists.plot(kind='barh')
    plt.title(f'Top {top_n} Most Listened Artists')
    plt.xlabel('Number of Plays')
    plt.ylabel('Artist')
    plt.show()

4.4 歌曲特征分析

Spotify为每首歌曲提供了音频特征数据，我们可以利用这些数据进行更深入的分析：

python复制def get_audio_features(track_ids):
    features = sp.audio_features(track_ids)
    return pd.DataFrame(features)

def analyze_audio_features(df):
    # 获取歌曲ID
    track_ids = df['id'].tolist()
    
    # 获取音频特征
    features_df = get_audio_features(track_ids)
    
    # 合并数据
    full_df = pd.merge(df, features_df, left_on='id', right_on='id')
    
    # 分析特征分布
    audio_features = ['danceability', 'energy', 'speechiness', 
                     'acousticness', 'instrumentalness', 'valence']
    
    plt.figure(figsize=(12, 8))
    for i, feature in enumerate(audio_features, 1):
        plt.subplot(2, 3, i)
        full_df[feature].plot(kind='hist', bins=20)
        plt.title(feature.capitalize())
    plt.tight_layout()
    plt.show()

5. 高级分析与个性化洞察

5.1 收听习惯随时间变化

分析不同时间段内的收听偏好变化：

python复制def analyze_listening_trends(df):
    # 按周分析
    df['week'] = df['played_at'].dt.isocalendar().week
    weekly_counts = df.groupby('week').size()
    
    # 按月份分析
    df['month'] = df['played_at'].dt.to_period('M')
    monthly_genres = df.groupby('month')['genres'].explode().value_counts()
    
    plt.figure(figsize=(14, 6))
    plt.subplot(1, 2, 1)
    weekly_counts.plot(kind='line', marker='o')
    plt.title('Weekly Listening Activity')
    plt.xlabel('Week Number')
    plt.ylabel('Number of Plays')
    
    plt.subplot(1, 2, 2)
    monthly_genres.head(10).plot(kind='barh')
    plt.title('Top Genres by Month')
    plt.xlabel('Number of Plays')
    plt.tight_layout()
    plt.show()

5.2 创建个性化播放列表

基于分析结果自动创建符合你口味的播放列表：

python复制def create_personalized_playlist(sp, name="My Analyzed Mix", description="Automatically generated based on my listening habits"):
    # 获取最常听的歌曲ID
    top_tracks = sp.current_user_top_tracks(limit=50)
    track_ids = [track['id'] for track in top_tracks['items']]
    
    # 创建播放列表
    user_id = sp.me()['id']
    playlist = sp.user_playlist_create(user_id, name, description=description)
    
    # 添加歌曲到播放列表
    sp.playlist_add_items(playlist['id'], track_ids)
    
    return playlist['external_urls']['spotify']

5.3 与其他用户数据比较

如果你有朋友的听歌数据，可以进行有趣的比较：

python复制def compare_listening_habits(my_data, friend_data):
    my_artists = set([artist['name'] for artist in my_data['top_artists']])
    friend_artists = set([artist['name'] for artist in friend_data['top_artists']])
    
    common_artists = my_artists & friend_artists
    unique_to_me = my_artists - friend_artists
    unique_to_friend = friend_artists - my_artists
    
    print(f"共同喜欢的艺术家: {len(common_artists)}")
    print(f"你独有的艺术家: {len(unique_to_me)}")
    print(f"朋友独有的艺术家: {len(unique_to_friend)}")
    
    # 可视化比较
    plt.figure(figsize=(8, 6))
    plt.bar(['共同喜欢', '你独有', '朋友独有'], 
            [len(common_artists), len(unique_to_me), len(unique_to_friend)])
    plt.title('艺术家偏好比较')
    plt.ylabel('数量')
    plt.show()

6. 实际应用与扩展思路

6.1 构建自动化分析报告

将上述分析整合成一个自动生成的HTML报告：

python复制from jinja2 import Template
from datetime import datetime

def generate_html_report(analysis_data, template_path='report_template.html'):
    with open(template_path, 'r') as f:
        template = Template(f.read())
    
    report_html = template.render(
        date=datetime.now().strftime('%Y-%m-%d'),
        **analysis_data
    )
    
    with open('spotify_analysis_report.html', 'w') as f:
        f.write(report_html)
    
    return 'spotify_analysis_report.html'

6.2 设置定期分析任务

使用Python的schedule库设置每周自动分析：

python复制import schedule
import time

def weekly_analysis_job():
    print("Running weekly Spotify analysis...")
    # 这里调用之前定义的分析函数
    recent_tracks = get_recent_tracks()
    top_artists = get_top_artists()
    # 保存结果或发送邮件报告...
    print("Analysis completed!")

# 每周一早上8点运行
schedule.every().monday.at("08:00").do(weekly_analysis_job)

while True:
    schedule.run_pending()
    time.sleep(1)

6.3 与音乐推荐系统集成

将分析结果与推荐算法结合，发现你可能喜欢的新音乐：

python复制def get_recommendations(sp, seed_artists=None, seed_tracks=None, limit=10):
    if seed_artists is None:
        top_artists = sp.current_user_top_artists(limit=3)
        seed_artists = [artist['id'] for artist in top_artists['items']]
    
    if seed_tracks is None:
        top_tracks = sp.current_user_top_tracks(limit=2)
        seed_tracks = [track['id'] for track in top_tracks['items']]
    
    recommendations = sp.recommendations(
        seed_artists=seed_artists[:3],
        seed_tracks=seed_tracks[:2],
        limit=limit
    )
    
    return [{
        'name': track['name'],
        'artist': track['artists'][0]['name'],
        'album': track['album']['name']
    } for track in recommendations['tracks']]

在完成这个项目后，我对自己的音乐品味有了更深入的认识。分析显示我大部分时间在晚上8-11点听歌，偏好电子音乐但周末会听更多摇滚。最有趣的是发现我保存的歌曲中，有75%是在下雨天添加的，这揭示了我对特定天气的音乐偏好。