R_project_main.Rmd

---
title: "Analiza muzycznych platform streamingowych"
author: "Jakub Piasek"
output:
    prettydoc::html_pretty:
    theme: hpstr
    toc: true
    css: styles.css
---

# Opis projektu
Celem tej analizy jest zbadanie różnic w bazie słuchaczy trzech serwisów streamingowych, jakimi są Spotify, Apple Music oraz YouTube. Różnice w najbardziej słuchanych gatunkach, artystach oraz piosenkach.
Dodatkowo dla porównania jest również analizowany serwis iTunes, który tak jak Apple Music jest produktem firmy Apple.  iTunes służy jako biblioteka multimediów, odtwarzacz multimediów oraz radio. Powód dla którego został również tutaj zawarty to fakt, że przez wiele lat był głównym wyznacznikiem cyfrowej sprzedaży muzyki. Teraz w erze streamingu ta platforma nie jest aż tak powszechnie używana, więc służy za kontrast uzupełniający trudno dostępne statystki Apple Music.


[Repozytorium na GitHub](https://github.com/sand194/music_dsp.git)


```{r cache=FALSE, echo=FALSE, results=FALSE, warning=FALSE}
# Managing project dependencies
library(packrat)
# packrat::unbundle("packrat/bundles/music_dsp-2024-06-08.tar.gz", "packrat")

```

### Ładowanie potrzebnych bibliotek
```{r dependencies, warning=FALSE,message=FALSE,error=FALSE, results='hide'}
library(tidyverse)
library(lintr)
library(ggthemes)
library(ggrepel)
library(plotly)
library(fuzzyjoin)
library(flextable)
library(webshot)
library(htmltools)

```

# Źródło danych
Dane pobrałem ze strony [kworb.net](https://kworb.net/) i jej wielu podstron. Jest to strona autora o nicku kworb. W łatwy sposób udostępnia on na niej różne statystki dotyczące tego jak radzi sobie branża muzyczna na serwisach streamingowych.
Statystyki dla najbardziej streamowanych piosenek na Spotify zostały wzięte z [Wikipedii](https://en.wikipedia.org/wiki/List_of_Spotify_streaming_records), ponieważ na stronie [kworb.net](https://kworb.net/) nie zostały one udostępnione.

Aby uzyskać metadane dotyczące gatunków w jakim piosenki oraz artyści wykonują, użyłem zestawu danych danych [MusicOSet](https://marianaossilva.github.io/DSW2019/).

# Data pipeline
Pipeline, którego użyłem do pozyskania danych oraz ich wczesnej technicznej obróbki.
Linijki z komendą `source()` służyły mi podczas pracy, aby połączyć całą strukturę plików w repozytorium do jednego głównego pliku `.Rmd`. Niektóre są zakomentowane, ponieważ nie są potrzebne do eksportu reportu.

## Web scraping
Sposób w jaki pobrałem dane ze strony [kworb.net](https://kworb.net/) oraz [Wikipedii](https://en.wikipedia.org/wiki/List_of_Spotify_streaming_records).
```{r scraping_source}
knitr::read_chunk('scraping.R')
# source("scraping.R", echo = F, local = knitr::knit_global())

```

- Plik źródłowy scrapowania danych
```{r, echo=FALSE, results='asis'}
code <- readLines("scraping.R")

cat("```r\n")
cat(code, sep = "\n")
cat("\n```")
```

## Export danych
Po scrapowaniu wyeksportowałem je do plików `.csv`, aby mieć je lokalnie zapisane w repozytorium. Ułatwia to uruchamianie projektu oraz zapobiega zmianie danych.

```{r, eval = FALSE}
knitr::read_chunk('data_export.R')
# source("data_export.R", echo = F, local = knitr::knit_global())

```

- Plik źródłowy exportu danych
```{r, echo=FALSE, results='asis'}
code <- readLines("data_export.R")

cat("```r\n")
cat(code, sep = "\n")
cat("\n```")
```

## Import danych
Import surowych danych, które zostały na samym początku zescrapowane.
```{r, warning=FALSE, warning=FALSE, message=FALSE}
source("data_import.R", echo = F, local = knitr::knit_global())
knitr::read_chunk('data_import.R')

```

- Plik źródłowy importu danych
```{r data_import.R, eval=FALSE, warning=FALSE, message=FALSE}

```


Ilość rekordów we wszystkich ramkach danych:
```{r}
all_objects <- ls()
data_frame_objects <- all_objects[sapply(all_objects, function(x) is.data.frame(get(x)))]
row_counts <- sapply(data_frame_objects, function(x) nrow(get(x)))
total_rows <- sum(row_counts)

total_rows

total_rows > 30000
```


## Czyszczenie danych
Dopuściłem się wstępnej obróbki surowo zescrapowanych danych, aby usunąć zduplikowane, bądź niepotrzebne kolumny i wiersze.
```{r data_cleaning}
knitr::read_chunk('cleaning.R')
source("cleaning.R", echo = F, local = knitr::knit_global())
```

- Plik źródłowy czyszczenia danych
```{r cleaning.R, eval=FALSE}

```


## Funkcje do wizualizacji
Przed utworzeniem konkretnych wizualizacji stworzyłem osobne funkcje, których używałem do stworzenia wielu podobnych wykresów, aby uniknąć redundancji w kodzie.
```{r plots, warning=FALSE, message=FALSE}
knitr::read_chunk('plots.R')
source("plots.R", echo = F, local = knitr::knit_global())
```

- Plik źródłowy tworzenia wykresów
```{r plots.R, eval=FALSE}

```


## Kustomizacja motywów
Aby uniknąć podstawowego wyglądu dokumentu HTML.
```{r customisation, warning=FALSE, message=FALSE}
knitr::read_chunk('customisation.R')
source("customisation.R", echo = F, local = knitr::knit_global())
```

- Plik źródłowy kustomizcji motywów
```{r customisation.R, eval=FALSE}

```





# Analiza

## Metadane artystów
Na początek przetworzyłem ramkę danych `OSet_artists`, która zawierała metadane o artystach. Ujednoliciłem również niektóre największe gatunki, ponieważ same dane były bardzo rozdrobnione, co utrudniłoby analizę.
```{r artist_metadata}
# Data frame containing metadata about artists
OSet_artists <- import("clean_data/musicoset_metadata/artists.csv")

# OSet_artists genre variables unification
OSet_artists <- OSet_artists %>%
  mutate(main_genre = case_when(
    grepl("rap", main_genre) ~ "rap",
    grepl("hip hop", main_genre) ~ "rap",
    grepl("drill", main_genre) ~ "rap",
    grepl("rock", main_genre) ~ "rock",
    grepl("country", main_genre) ~ "country",
    grepl("r&b", main_genre) ~ "r&b",
    grepl("edm", main_genre) ~ "edm",
    grepl("pop", main_genre) ~ "pop",
    grepl("soul", main_genre) ~ "soul",
    .default = as.character(main_genre)
  ))

OSet_artists_genre <- OSet_artists %>%
  select(c("name", "main_genre"))


flextable(head(OSet_artists_genre)) %>% theme_design()

```


## Przetwarzanie danych

Przygotowanie ramek zawierających informacje o ilości streamów piosenek.
```{r, warning=FALSE}
# Top songs df cleaning
ww_totals <- ww_totals %>%
  mutate(across(c('Total', 'Today'), ~ str_replace(., ",", ""))) %>%
  mutate(across(c('Total', 'Today'), ~ str_replace(., ",", ""))) %>%
  mutate(
    Total = as.numeric(Total),
    Today = as.numeric(Today)
  ) %>%
  select(`Artist and Title`, Total) %>%
  arrange(desc(Total))

apple_songs_totals <- apple_songs_totals %>%
  mutate(across(c('Total', 'Today'), ~ str_replace(., ",", ""))) %>%
  mutate(across(c('Total', 'Today'), ~ str_replace(., ",", ""))) %>%
  mutate(
    Total = as.numeric(Total),
    Today = as.numeric(Today)
  ) %>%
  select(`Artist and Title`, Total) %>%
  arrange(desc(Total))

spotify_most_streamed_songs <- spotify_most_streamed_songs %>%
  mutate_all(~ gsub('"', '', .)) %>%
  rename(Total = 'Streams(billions)') %>%
  mutate(Total = as.numeric(Total) * 1000000000) %>%
  drop_na() %>% # dropping rows that were not matched
  mutate('Artist and Title' = paste(`Artist(s)`, Song, sep = " - ")) %>%
  select(`Artist and Title`, Total) %>%
  arrange(desc(Total))

# Vector of substrings to remove
substrings_to_remove <- c("Official.*", "M/V", "MV", "Video")
# Create a regex pattern from the vector of substrings
pattern <- str_c(substrings_to_remove, collapse = "|")

youtube_topvideos <- youtube_topvideos %>%
  mutate(across(c("Views", "Yesterday"), ~ gsub('\\,', '', .))) %>%
  mutate(across(c('Views', 'Yesterday'), ~ str_replace(., ",", ""))) %>%
  mutate(across(c('Views'), ~ str_replace(., ',', ""))) %>%
  mutate(
    Views = as.numeric(Views),
    Yesterday = as.numeric(Yesterday)
  ) %>%
  rename('Artist and Title' = Video) %>%
  rename(Total = Views) %>%
  mutate(`Artist and Title` = str_replace(`Artist and Title`, "\\(.*\\)", "")) %>%
  mutate(`Artist and Title` = str_replace(`Artist and Title`, "\\[.*\\]", "")) %>%
  mutate(`Artist and Title` = str_remove_all(`Artist and Title`, pattern)) %>%
  select(`Artist and Title`, Total) %>%
  arrange(desc(Total))

```


## Wszyskie platformy

### Przetwarzanie danych
Za pomocą nowo utworzonej ramki `OSet_artists_genre` z gatunkami i imionami artystów połączyłem ramki z [kworb.net](https://kworb.net/) zawierające informacje o tym ile byli słuchani, aby mieć pogląd na to jakie są najczęściej słuchane gatunki na wszystkich platformach.

Należyte było przekonwertowanie niektórych kolumn, ponieważ wszystkie na początku były typu `character`.

Dla pozostałych platform użyłem podobnych metod.
```{r preferable_genres}
colnames(OSet_artists_genre) <- c("Artist", "Genre")

artists_genre_comparison <- ww_artisttotals%>%
  inner_join(
    spotify_listeners,
    by = "Artist",
    suffix = c(".ww", ".spotify")
  ) %>%
  inner_join(
    youtube_archive,
    by = "Artist",
    suffix = c(".ww", ".youtube")
  ) %>%
  inner_join(
    apple_songs_artisttotals,
    by = "Artist",
    suffix = c(".ww", ".apple")
  ) %>%
  inner_join(
    OSet_artists_genre,
    by = "Artist",
    suffix = c(".ww", ".genre")
  )


# Column cleaning
artists_genre_comparison$Total.youtube <- str_replace_all(artists_genre_comparison$Total.youtube, ",","")
artists_genre_comparison$Total.ww <- str_replace_all(artists_genre_comparison$Total.ww, ",", "")
artists_genre_comparison$PkListeners <- str_replace_all(artists_genre_comparison$PkListeners, ",", "")
artists_genre_comparison$Total <- str_replace_all(artists_genre_comparison$Total, ",", "")
artists_genre_comparison$Listeners <- str_replace_all(artists_genre_comparison$Listeners , ",", "")


artists_genre_comparison <- artists_genre_comparison %>%
  transform(
    Total.youtube = as.numeric(Total.youtube),
    Total.ww = as.numeric(Total.ww),
    PkListeners = as.numeric(PkListeners),
    Total = as.numeric(Total),
    Listeners = as.numeric(Listeners)
  ) %>%
  mutate(
    # Total.youtube column is equal to total views in millions
    Total.youtube = as.numeric(Total.youtube) * 1000000
  ) %>%
  rename(Total.apple = Total, Total.spotify = PkListeners)


# Sum of all the listeners and views across all of the dsp column
artists_genre_comparison <- artists_genre_comparison %>%
  mutate(
    Sum_listeners_views_across = Total.youtube + Total.ww + Total.apple + Total.spotify
  ) %>%
  arrange(desc(Sum_listeners_views_across))

```

### Najczęściej słuchane gatunki
```{r}
preferable_genres <- artists_genre_comparison %>%
  select(Artist, Genre, Sum_listeners_views_across) %>%
  group_by(Genre) %>%
  count() %>%
  arrange(desc(n))


preferable_genres_flex <- flextable(preferable_genres) %>% theme_design()

flextable(head(preferable_genres)) %>% theme_design()


```


### Wizualizacja - gatunki
```{r}
bar_plot(preferable_genres, "#edc491", "Najczęciej słuchane gatunki", "plot_top_genres")
plot_top_genres

```
```{r, echo=FALSE, results='hide'}
ggsave('plot_top_genres.png', plot = plot_top_genres, path = 'plots/')
```


### Najczęściej słuchani artyści
```{r}
preferable_artists <- artists_genre_comparison %>%
  select(Artist, Sum_listeners_views_across) %>%
  arrange(desc(Sum_listeners_views_across))

flextable(top_n(preferable_artists, 10)) %>% theme_design()

```


### Wizualizacja - artyści
```{r}
bubble_plots(artists_genre_comparison, Sum_listeners_views_across, "#edc491", "Najczęściej streamowani artyści", "plot_top_artists")

plot_top_artists

```
```{r, echo=FALSE, results='hide'}
ggsave('plot_top_artists.png', plot = plot_top_artists, path = 'plots/')
```

Wersja interaktywna:
```{r}
plot_top_artists_interactive
```



## Spotify

### Przetwarzanie danych
```{r}
preferable_genres_spotify <- suppressWarnings({
  spotify_artists %>%
    mutate(across(c('Streams', 'Daily', 'As lead', 'Solo', 'As feature'), ~ str_replace(., ",", ""))) %>%
    mutate(across(c('Streams', 'Daily', 'As lead', 'Solo', 'As feature'), ~ as.numeric(.) * 1000000)) %>%
    left_join(
      OSet_artists_genre,
      by = "Artist",
      suffix = c(".spotify", ".oset")
    ) %>%
    drop_na() %>% # Dropping rows that were not matched in left_join
    select(
      Artist, Genre, Streams
    ) %>%
    group_by(Genre) %>%
    count() %>%
    arrange(desc(n))
})

```


### Najczęściej słuchane gatunki
```{r}
preferable_genres_spotify_flex <- flextable(preferable_genres_spotify) %>% add_header_lines("Spotify") %>% theme_design()

flextable(head(preferable_genres_spotify)) %>% add_header_lines("Spotify") %>% theme_design()

```


### Wizualizacja - gatunki
```{r}
bar_plot(preferable_genres_spotify, "#6cd980", "Najczęściej słuchane gatunki na Spotify", "plot_top_genres_spotify")

plot_top_genres_spotify

```

```{r, echo=FALSE, results='hide'}
ggsave('plot_top_genres_spotify.png', plot = plot_top_genres_spotify, path = 'plots/')
```


### Najczęściej słuchani artyści
```{r}
preferable_artists_spotify <- artists_genre_comparison %>%
  select(Artist, Total.spotify) %>%
  arrange(desc(Total.spotify))

flextable(top_n(preferable_artists_spotify, 10)) %>% theme_design()

```


### Wizualizacja - artyści
```{r}
bubble_plots(artists_genre_comparison, Total.spotify, "#6cd980", "Najczęściej streamowani artyści na Spotify", "plot_top_artists_spotify")

plot_top_artists_spotify

```


```{r, echo=FALSE, results='hide'}
ggsave('plot_top_artists_spotify.png', plot = plot_top_artists_spotify, path = 'plots/')
```


Wersja interaktywna:
```{r}
plot_top_artists_spotify_interactive
```


### Najczęściej słuchane piosenki
```{r}
spotify_most_streamed_songs_flex <- flextable(spotify_most_streamed_songs) %>% add_header_lines("Spotify") %>% theme_design()

spotify_most_streamed_songs_scrollable_flex <- htmltools::tags$div(
  style = "overflow-x: auto; overflow-y: auto; height: 400px; width: 100%;",
  flextable::htmltools_value(spotify_most_streamed_songs_flex)
)

htmltools::HTML(as.character(spotify_most_streamed_songs_scrollable_flex))

```



## Apple Music

### Przetwarzanie danych
```{r}
preferable_genres_apple <- suppressWarnings({
  apple_songs_artisttotals %>%
    mutate(across(c('Total', 'Today'), ~ str_replace(., ",", ""))) %>%
    mutate(across(c('Total', 'Today'), ~ as.numeric(.) * 1000000)) %>%
    left_join(
      OSet_artists_genre,
      by = "Artist",
      suffix = c(".apple", ".oset")
    ) %>%
    drop_na() %>% # dropping rows that were not matched in left_join
    select(
      Artist, Genre, Total
    ) %>%
    group_by(Genre) %>%
    count() %>%
    arrange(desc(n))
})

preferable_genres_apple <- preferable_genres_apple[-6,] # removing empty row

```

### Najczęściej słuchane gatunki
```{r}
preferable_genres_apple_flex <- flextable(preferable_genres_apple) %>% add_header_lines("Apple Music") %>% theme_design()

flextable(head(preferable_genres_apple)) %>% add_header_lines("Apple Music") %>% theme_design()

```

### Wizualizacja - gatunki
```{r}
bar_plot(preferable_genres_apple, "#fa2a44", "Najczęściej słuchane gatunki na Apple Music", "plot_top_genres_apple")

plot_top_genres_apple

```


```{r, echo=FALSE, results='hide'}
ggsave('plot_top_genres_apple.png', plot = plot_top_genres_apple, path = 'plots/')
```


### Najczęściej słuchani artyści
```{r}
preferable_artists_apple <- artists_genre_comparison %>%
  select(Artist, Total.apple) %>%
  arrange(desc(Total.apple))

flextable(top_n(preferable_artists_apple, 10)) %>% theme_design()

```

### Wizualizacja - artyści
```{r}
bubble_plots(artists_genre_comparison, Total.apple, "#e04a5d", "Najczęściej streamowani artyści na Apple Music", "plot_top_artists_apple")

plot_top_artists_apple
```

```{r, echo=FALSE, results='hide'}
ggsave('plot_top_artists_apple.png', plot = plot_top_artists_apple, path = 'plots/')
```


Wersja interaktywna:
```{r}
plot_top_artists_apple_interactive
```

### Najczęściej słuchane piosenki
```{r}
apple_songs_totals_flex <- flextable(apple_songs_totals) %>% add_header_lines("Apple Music") %>% theme_design()

apple_songs_totals_scrollable_flex <- htmltools::tags$div(
  style = "overflow-x: auto; overflow-y: auto; height: 400px; width: 100%;",
  flextable::htmltools_value(apple_songs_totals_flex)
)

htmltools::HTML(as.character(apple_songs_totals_scrollable_flex))

```



## YouTube

### Przetwarzanie danych
```{r}
preferable_genres_yt <- suppressWarnings({
  youtube_archive %>%
    mutate(across(c('Total', '100M'), ~ str_replace(., ",", ""))) %>%
    mutate(across(c('Total', '100M'), ~ as.numeric(.) * 1000000)) %>%
    left_join(
      OSet_artists_genre,
      by = "Artist",
      suffix = c(".youtube", ".oset")
    ) %>%
    drop_na() %>% # Dropping rows that were not matched in left_join
    select(
      Artist, Genre, Total
    ) %>%
    group_by(Genre) %>%
    count() %>%
    arrange(desc(n))
})

```

### Najczęściej słuchane gatunki
```{r}
preferable_genres_yt_flex <- flextable(preferable_genres_yt) %>% add_header_lines("YouTube") %>% theme_design()

flextable(head(preferable_genres_yt)) %>% add_header_lines("YouTube") %>% theme_design()

```

### Wizualizacja - gatunki
```{r}
bar_plot(preferable_genres_yt, "#db0000", "Najczęściej słuchane gatunki na YouTube", "plot_top_genres_yt")

plot_top_genres_yt

```


```{r, echo=FALSE, results='hide'}
ggsave('plot_top_genres_yt.png', plot = plot_top_genres_yt, path = 'plots/')
```


### Najczęściej słuchani artyści
```{r}
preferable_artists_youtube <- artists_genre_comparison %>%
  select(Artist, Total.youtube) %>%
  arrange(desc(Total.youtube))

flextable(top_n(preferable_artists_youtube, 10)) %>% theme_design()

```

### Wizualizacja - artyści
```{r}
bubble_plots(artists_genre_comparison, Total.youtube, "#deb3b1", "Najczęściej streamowani artyści na YouTube", "plot_top_artists_yt")

plot_top_artists_yt

```


```{r, echo=FALSE, results='hide'}
ggsave('plot_top_artists_yt.png', plot = plot_top_artists_yt, path = 'plots/')
```


Wersja interaktywna:
```{r}
plot_top_artists_yt_interactive
```

### Najczęściej słuchane piosenki
```{r}
youtube_topvideos_flex <- flextable(youtube_topvideos) %>% add_header_lines("YouTube") %>% theme_design()

youtube_topvideos_scrollable_flex <- htmltools::tags$div(
  style = "overflow-x: auto; overflow-y: auto; height: 400px; width: 100%;",
  flextable::htmltools_value(youtube_topvideos_flex)
)

htmltools::HTML(as.character(youtube_topvideos_scrollable_flex))

```


## iTunes

### Przetwarzanie danych
```{r}
preferable_genres_itunes <- suppressWarnings({
  ww_artisttotals %>%
    mutate(across(c('Total', 'Today'), ~ str_replace(., ",", ""))) %>%
    mutate(across(c('Total', 'Today'), ~ as.numeric(.) * 1000000)) %>%
    left_join(
      OSet_artists_genre,
      by = "Artist",
      suffix = c(".ww", ".oset")
    ) %>%
    drop_na() %>% # dropping rows that were not matched in left_join
    select(
      Artist, Genre, Total
    ) %>%
    group_by(Genre) %>%
    count() %>%
    arrange(desc(n))
})

```

### Najczęściej słuchane gatunki
```{r}
preferable_genres_itunes <- preferable_genres_itunes[-5,] # removing empty genre row

preferable_genres_itunes_flex <- flextable(preferable_genres_itunes) %>% add_header_lines("iTunes") %>% theme_design()

flextable(head(preferable_genres_itunes)) %>% add_header_lines("iTunes") %>% theme_design()

```

### Wizualizacja - gatunki
```{r}
bar_plot(preferable_genres_itunes, "#649fe8", "Najczęściej słuchane gatunki na iTunes", "plot_top_genres_itunes")

plot_top_genres_itunes

```


```{r, echo=FALSE, results='hide'}
ggsave('plot_top_genres_itunes.png', plot = plot_top_genres_itunes, path = 'plots/')
```


### Najczęściej słuchani artyści
```{r}
preferable_artists_itunes <- artists_genre_comparison %>%
  select(Artist, Total.ww) %>%
  arrange(desc(Total.ww))

flextable(top_n(preferable_artists_itunes , 10)) %>% theme_design()

```

### Wizualizacja - artyści
```{r}
bubble_plots(artists_genre_comparison, Total.ww, "#649fe8", "Najczęściej streamowani artyści na iTunes", "plot_top_artists_itunes")

plot_top_artists_itunes
```


```{r, echo=FALSE, results='hide'}
ggsave('plot_top_artists_itunes.png', plot = plot_top_artists_itunes, path = 'plots/')
```


Wersja interaktywna:
```{r}
plot_top_artists_itunes_interactive
```

### Najczęściej słuchane piosenki
```{r}
ww_totals_flex <- flextable(ww_totals) %>% add_header_lines("iTunes") %>% theme_design()

ww_totals_scrollable_flex <- htmltools::tags$div(
  style = "overflow-x: auto; overflow-y: auto; height: 400px; width: 100%;",
  flextable::htmltools_value(ww_totals_flex)
)

htmltools::HTML(as.character(ww_totals_scrollable_flex))

```



## Podobieństwa i różnice
Ile jest tych samych a ile różnych piosenek pomiędzy wszystkimi platformami?

### Przetwarzanie danych
```{r, warning=FALSE,message=FALSE,error=FALSE, results='hide'}
top_songs_total <- bind_rows(spotify_most_streamed_songs %>% top_n(50), ww_totals %>% top_n(50), apple_songs_totals %>% top_n(50), youtube_topvideos %>% top_n(50))

top_songs_total_scatter <- top_songs_total %>%
  group_by(`Artist and Title`) %>%
  mutate(is_duplicate = n() > 1) %>%
  ungroup()

count_data <- top_songs_total_scatter %>%
  summarise(count_true = sum(is_duplicate),
            count_false = sum(!is_duplicate))

top_songs_total_bar <- data.frame(
  Duplicate = c("Same", "Different"),
  Count = c(count_data$count_true, count_data$count_false)
)

count_data_flex <- flextable(count_data) %>% theme_design()

```

```{r}
count_data_flex

```

Z top 50 najwięcej słuchanych piosenek ze wszystkich platform jedynie 57 pokrywa się.
```{r}
(count_data$count_true/(count_data$count_false + count_data$count_true))*100

```
Co stanowi jedynie 28,5%.


### Wizualizacja
```{r, warning=FALSE,message=FALSE,error=FALSE, results='hide'}
top_songs_differences_bar_plot <- top_songs_total_bar %>% ggplot(
  aes(
    x = Duplicate,
    y = Count,
    fill = Duplicate
    )
  ) + geom_bar(
    stat = "identity",
    width = 0.5,
    ) + labs(
      title = "Różnice w top 100 piosenek z każdego serwisu",
    ) + xlab(
      ""
      ) + ylab(
        ""
      ) + theme_fivethirtyeight() + scale_fill_fivethirtyeight() + theme(
        plot.title = element_text(size = 13),
        plot.subtitle = element_text(size = 10),
        legend.position = "none"
     ) + 
    scale_fill_manual(values = c("Same" = "#d13e2e", "Different" = "#2e85d1"))


top_songs_differences_scatter_plot <- top_songs_total_scatter %>% ggplot(aes(x = `Artist and Title`, y = Total, color = is_duplicate)) +
  geom_point(size = 3) +
  scale_y_log10() +
  labs(
      title = "Różnice w top 100 piosenek z każdego serwisu"
    ) + xlab(
      "Ilość streamów"
      ) + ylab(
        ""
      ) + theme_fivethirtyeight() + scale_fill_fivethirtyeight() + theme(
        plot.title = element_text(size = 13),
        plot.subtitle = element_text(size = 10),
        legend.position = "none",
        axis.text.x = element_blank(),
        axis.text.y = element_blank(),
        panel.grid.major = element_line(color = "grey90", linewidth = 0.5),
        panel.grid.minor = element_line(color = "grey95", linewidth = 0.25)
     ) + 
  scale_color_manual(values = c("TRUE" = "#d13e2e", "FALSE" = "#2e85d1"))



top_songs_differences_bar_plot
top_songs_differences_scatter_plot
```


```{r, echo=FALSE, results='hide'}
ggsave('top_songs_differences_bar_plot.png', plot = top_songs_differences_bar_plot, path = 'plots/')
ggsave('top_songs_differences_scatter_plot.png', plot = top_songs_differences_scatter_plot, path = 'plots/')
```


# Podsumowanie
## Najczęściej słuchane gatunki
```{r}
plot_top_genres
plot_top_genres_spotify
plot_top_genres_apple
plot_top_genres_yt
plot_top_genres_itunes

```

## Najczęściej słuchani artyści
```{r}
plot_top_artists_interactive
plot_top_artists_spotify_interactive
plot_top_artists_apple_interactive
plot_top_artists_yt_interactive
plot_top_artists_itunes_interactive
```


## Najczęściej słuchane piosenki
```{r}
htmltools::HTML(as.character(spotify_most_streamed_songs_scrollable_flex))
htmltools::HTML(as.character(apple_songs_totals_scrollable_flex))
htmltools::HTML(as.character(youtube_topvideos_scrollable_flex))
htmltools::HTML(as.character(ww_totals_scrollable_flex))

```


## Wnioski
- W najczęściej słuchanych gatunkach zawsze pojawiały się: Pop, Rap oraz Rock
Nie jest zaskoczeniem, że gatunek Pop jest najbardziej popularny. W dzisiejszych czaszch tak samo Rap, który aktualnie zaczyna powoli wypierać klasyczną muzykę Pop. Dlatego powstaje coraz więcej łączenia tych dwóch gatunków.
- Gatunek Rock, który stoi na trzecim miejscu, pomimo ogólnej percepcji, że ten gatunek powoli umiera
- Gatunek Latin, który pnie się coraz wyżej, wywierając wpływ na inne gatunki
- Gatunki na platformach Spotify oraz Apple Music były w miarę do siebie zbliżone, na iTunes country wyprzedziło rap, na YouTube pojawił się alternative metal
- Spotify oraz Apple Music były w miarę zbliżone do siebie pod względem topowych artystów, lecz na różnych pozycjach
- iTunes oraz YouTube są zdominowane przez artystów z większymi hitami, po których dopiero pojawiają się artyści widziani z pozostałych platform
- Najczęściej słuchane piosenki na iTunes to w większości piosenki z największą popularnością około 10 lat temu
- Najczęściej słuchane piosenki na YouTube zawierają najwięcej artystów jednego przeboju
- Najwięcej słuchaczy posiada Spotify



Ilość linijek we wszystkich plikach:
```{bash, engine.opts='-l'}
count_lines_of_code() {
    local directory="$1"
    local exclude_directory="$2"
    local total_lines=0

    if [ -z "$directory" ]; then
        echo "Please provide a directory."
        return 1
    fi

    if [ -z "$exclude_directory" ]; then
        echo "Please provide a directory to exclude."
        return 1
    fi

    # Find all .R and .Rmd files in the specified directory excluding the exclude_directory and count their lines
    for file in $(find "$directory" -path "$exclude_directory" -prune -o -type f \( -name "*.R" -o -name "*.Rmd" \) -print); do
        local lines=$(wc -l < "$file")
        total_lines=$((total_lines + lines))
    done

    echo "Total lines of code in .R and .Rmd files in $directory excluding $exclude_directory: $total_lines"
}

# Call the function with a specific directory and exclude directory
count_lines_of_code "." "./packrat"
```