Spotify en la actualidad y su espíritu navideño
Trabajo elaborado para la asignatura “Programación y manejo de datos en la era del Big Data” de la Universitat de València durante el curso 2021-2022. El repo del trabajo está aquí.
La página web de la asignatura y los trabajos de mis compañeros pueden verse aquí.
1. Introducción
Este trabajo consiste en un estudio de la plataforma de Spotify. Con este análisis se observarán distintas formas de examinar la popularidad de las canciones, así como los artistas más escuchados.
Atemperándonos a la época del año en la que estamos, se observará el espíritu navideño mundial. Por último, analizaremos las veces de reproducción de la canción más famosa de Mariah Carey en 2020.
Para hacer todo esto se pondrá en práctica lo estudiado en la asignatura de Programación y manejo de datos en la era del Big Data que se cursa en CUARTO de la carrera de Economía en la UV.
Spotify
2. Datos
Los datos que se van a utilizar durante el trabajo han sido sacados de Kaggle y GitHub, en la bibliografia se encuentra el link directo. Asimismo, se han descargado los datos semanales que proporciona Spotify a nivel mundial para analizar las tendencias de esta última semana.
2.1. Procesando los datos
El trabajo se ha escrito sobre 4 dataframes.
El primero llamado ‘aa’ tiene 9 columnas y 9.554 observaciones.
El segundo ‘bb’ tiene 5 columnas y 200 observaciones.
El tercero ‘cc’ tiene 606 observaciones y 15 variables.
Por último, el ‘dd’ tiene 200 observaciones y 5 variables.
3. ¿Qué es Spotify?
Spotify es una empresa de servicios multimedia sueca fundada en 2006, cuyo producto es la aplicación homónima empleada para la reproducción de música via streaming.
Su modelo de negocio es denominado ‘freemium’, que consiste en ofrecer un servicio gratuito básico con publicidad y otro con características adicionales (mejor calidad de audio, libre de publicidad y de uso ilimitado) a través de una suscripción de pago. En ella podemos encontrar una gran variedad de canciones, géneros, artistas que a continuación se analizarán.
Spotify
4. Análisis de canciones
En este apartado se analiza las canciones comprendidas entre 2010-2019. A continuación, se examinan las más populares, las más bailables y las que más duración tienen. Las variables han sido extraídas desde la plataforma de Spotify.
4. 1. Top 10 Canciones con más….
Para realizar el análisis oportuno hemos reducido el dataframe para que contase con tan solo las 10 canciones relacionadas con la variable que se procede a analizar (popularidad, bailabilidad y duración). Hemos creado la función ‘hpolar’ para obtener los gráficos deseados:
hpolar <- function(x, a, c, z) {
highchart() %>%
hc_chart(polar = TRUE) %>%
hc_title(text = x) %>%
hc_xAxis(categories = a,
tickmarkPlacement = "on",
lineWidth = 0) %>%
hc_yAxis(gridLineInterpolation = "polygon",
lineWidth = 0,
min = 0) %>%
hc_series(list(name = z,
data = c,
pointPlacement = "on",
type = "column",
color = '#a80828')) } POPULARIDAD
Con el análisis siguiente se pretende mostrar a través de un gráfico interactivo las 10 canciones más populares en la última década.
Para ello, se han seleccionado del dataframe “cc” las variables siguientes: título(title), popularidad(pop) y artista(artist). Mediante slice_max hemos obtenido las 10 canciones más populares y hemos ordenado sus valores de mayor a menor.
popularidad_cc <- cc %>%
select(title, pop, year) %>%
slice_max(pop, n = 10)%>%
arrange(desc(pop))%>%
drop_na()
hpolar('Popularidad - TOP 10 canciones', popularidad_cc$title, popularidad_cc$pop, 'popularidad')En primer puesto, se encuentra Memories de Maroon5 con la popularidad más alta (99).
A continuación, resaltar que South of Border de Ed Sheeran y Trampoline de SHAED comparten el mismo número de popularidad pero no el mismo puesto.
Por último, Happier de Marshmello y Good as Hell-Remix de Lizzo junto con su otra canción Thruth Hurts son las que obtienen los últimos puestos empatando con una popularidad del 90.
DURACIÓN
En este apartado, se analiza lo mismo que en el anterior pero con distinta variable. En este caso, duración.
El procedimiento es similar hasta cierto punto ya que la variable duración viene expresada en segundos y para realizar una mejor comparación se ha decidido crear una nueva variable que pase estos segundos a minutos.
duracion_cc <- cc %>%
distinct(title, dur, artist) %>%
mutate(duracion_minutos = dur/60) %>%
slice_max(duracion_minutos, n = 10)%>%
arrange(desc(dur))
hpolar('Duracion - Top 10 canciones', duracion_cc$title, duracion_cc$duracion_minutos, 'duracion')Como se muestra en el gráfico interactivo anterior, el primer puesto se lo lleva Justin Timberlake con su canción TKO la cuál dura 7 minutos con 6 segundos convirtiendose en la canción más larga de Spotify en la última década. El puesto 10 sería para Lady Gaga con 5 minutos 35 segundos en la canción The Edge Of Glory.
BAILABILIDAD
Spotify nos ha proporcionado datos sobre la bailabilidad de las canciones. Hemos realizado el análisis como anteriormente.
bailabilidad_cc <- cc %>%
distinct(title, dnce, artist) %>%
slice_max(dnce, n = 10) %>%
arrange(desc(dnce))
hpolar('Bailabilidad TOP 10 canciones', bailabilidad_cc$title, bailabilidad_cc$dnce, 'bailabilidad')La canción más bailable de Spotify entre 2010 y 2019 es Bad Liar de Selena Gomez que compite por el puesto con Drip de Cardi B. Del cuarto al séptimo puesto,las canciones que engloba Spotify cuenta con el mismo nivel de bailabilidad.Se puede observar que en este gráfico se obtienen 11 observaciones ya que los dos últimos temas empatan en dicha variable.
5. Géneros más populares
Spotify proporciona datos sobre los diferentes géneros musicales que abarca la plataforma.
Con el dataframe ‘cc’ se ha extraído la información necesaria para mostrar los 20 géneros más populares de música. Se ha agrupado mediante género y se ha creado la variable popularidad_total que hace referencia a la media de la popularidad. Mediante slice_max hemos seleccionado las 20 más populares y hemos realizado el gráfico de barras interactivo pertinente.
topgenero_cca <- cc %>%
drop_na() %>%
group_by(top_genre) %>%
summarise(popularidad_total = median(pop)) %>%
slice_max(popularidad_total, n = 20)
topgenero_ccplota <- ggplot(topgenero_cca, aes(top_genre, y = (popularidad_total))) +
geom_bar(stat ="identity", width = 0.4, fill = rgb(0.1,0.3,0.5,0.7)) +
xlab("Género") +
ylab("Popularidad") +
labs(title = "Los 20 Géneros más populares") +
theme_light() +
theme(axis.text.x=element_blank(),
axis.ticks.x=element_blank())
ggplotly(topgenero_ccplota)El género más popular de música en Spotify es Escape Room con una popularidad de 90. A este le sigue brostep con 86. En el último puesto, el 20, podemos encontrar el Latin que empata con un 72 de popularidad junto a House.
6. Artistas más populares
6. 1. Evolución de los 5 artistas más populares año a año
Se han extraído los datos del dataframe cc y se han seleccionado las variables siguientes: año(year), artista(artist), popularidad(pop) , título(title) y duracion(dur). Agrupamos según los años para sumar todas aquellas variables (YEAR, ARTIST, POP, TITLE, DUR) que no tengan valores nulos (NA). Las ordenamos según la popularidad y desagrupamos para distinguir entre todas las variables que habíamos seleccionado y volver a agrupar según año, artista y duración. Con la función summarise, sumamos la popularidad, volvemos a desgarupar y agrupamos según el año para que junto a la función slice max, nos proporcione el número de los 5 artistas más populares en cada años individualmente..
top_artistas_cc <- cc %>%
select(year, artist, pop, title, dur) %>%
group_by(year)%>%
filter(!is.na(year))%>%
filter(!is.na(artist))%>%
filter(!is.na(pop))%>%
filter(!is.na(title))%>%
filter(!is.na(dur))%>%
arrange(desc(pop))%>%
ungroup()%>%
distinct(year, artist, pop, title, dur) %>%
group_by(year, artist, dur) %>%
summarise(popularidad_suma = sum(pop)) %>%
ungroup() %>%
group_by(year) %>%
slice_max(popularidad_suma, n=5)
top_2017_ccplot <- ggplot(top_artistas_cc, aes(popularidad_suma, dur, colour = artist)) +
geom_point(alpha = 1/2) +
scale_size(range = c(4, 14)) +
scale_x_log10() +
theme(legend.position = 'none') +
labs(title = "Popularidad artistas año a año", color = "País") +
facet_wrap(~year)
ggplotly(top_2017_ccplot)Como observamos en los diferentes gráficos año a año, en 2010, destaca Lady Gaga, en 2011 Christina Perri, en 2012 ColdPlay, en 2013 Avicci, en 2014 John Legend, en 2015 Ed Sheeran, en 2016 The Weekend, en 2017 The Chainsmokers, en 2018 CardiB y por último Selena Gomez en 2019.
6.2. 20 Artistas más populares.
2017
Se han extraído los datos del dataframe cc y se han seleccionado las variables siguientes: año(year), artista(artist), popularidad(pop) y título(title). Agrupamos según los años para sumar todas aquellas variables (YEAR, ARTIST, POP, TITLE) que no tengan valores nulos (NA). Las filtramos al año deseado, en este caso 2017.Por último, extraemos el ‘TOP20’ de los artistas.
top_2017_cca <- cc %>%
select(year, artist, pop, title) %>%
group_by(year)%>%
filter(!is.na(year))%>%
filter(!is.na(artist))%>%
filter(!is.na(pop))%>%
filter(!is.na(title))%>%
filter(year == 2017)%>%
arrange(desc(pop))%>%
head(n=20)%>%
ungroup()
top_2017_plota <- ggplot(top_2017_cca, aes(pop, color=artist)) +
geom_bar(fill=NA) +
coord_flip()
ggplotly(top_2017_plota)El artista más popular en 2017 fue Ed sheeran con su canción Shape Of You. Y en el top 20 encontramos a Sia con the Greatest. Además, contamos con un gran número de artistas variados que se pueden visualizar en el gráfico.
2018
Hemos realizado el mismo procedimiento que en 2017 pero, en este caso, cambiando el año de referencia a través de filter.
top_2018_cc <- cc %>%
select(year, artist, pop, title) %>%
group_by(year)%>%
filter(!is.na(year))%>%
filter(!is.na(artist))%>%
filter(!is.na(pop))%>%
filter(!is.na(title))%>%
filter(year == 2018)%>%
arrange(desc(pop))%>%
head(n=20)
top_2018_plot <- ggplot(top_2018_cc, aes(pop, color=artist)) +
geom_bar(fill=NA) +
coord_flip()
ggplotly(top_2018_plot)El artista más destacado de 2018 fue Calvin Harris con su HIT One Kiss que comparte con Dua Lipa.
Entre el cuarto y séptimo puesto la popularidad que presentan es la misma. En el TOP20 está Bruno Mars con Finesse.
2019
Hemos realizado el mismo procedimiento que en 2017 y 2018 pero, en este caso, cambiando el año de referencia a través de filter.
top_2019_cc <- cc %>%
select(year, artist, pop, title) %>%
group_by(year)%>%
filter(!is.na(year))%>%
filter(!is.na(artist))%>%
filter(!is.na(pop))%>%
filter(!is.na(title))%>%
filter(year == 2019)%>%
arrange(desc(pop))%>%
head(n=20)
top_2019_plot <- ggplot(top_2019_cc, aes(pop, color=artist)) +
geom_bar(fill=NA) +
coord_flip()
ggplotly(top_2019_plot)El artista más popular en 2019 fue Maroon 5 con Memories. Hay diferentes artistas que comparten los mismos valores de popularidad y pueden ser observados en el gráfico interactivo. En el puesto 20 R3HAB con su single All Around The World.
7. Canciones más escuchadas la última semana..
ESPAÑA
Se han bajado los datos a partir de la propia aplicación de Spotify. Estos datos se han almacenado en el dataframe ‘bb’. Se han escogido las 50 canciones más escuchadas durante la semana y estan ordenadas de mayor a menor segun el número de reproducciones.
semana_canciones <- bb %>%
slice_max(Streams, n = 50)
semana_cancionesplot <- ggplot(semana_canciones, aes(x=Position, y=Streams, group=Artist, color=Track_Name)) +
geom_point() +
theme(legend.position = 'none') +
labs(title = "Canciones más escuchadas en la última semana en España", caption = "Elaboración propia")
ggplotly(semana_cancionesplot)En el gráfico interactivo de puntos se observa que la artista con la canción más escuchada en España durante la última semana es Rosalía con su nuevo single La Fama. En él puedes informarte de otros 49 artistas con sus respectivas canciones y posiciones más escuchados de España recientemente.
MUNDIALMENTE
Se ha realizado el mismo análisis que el anterior de España y sigue siendo un gráfico interactivo. En el gráfico podras informarte de otros 49 artistas con sus respectivas canciones y reproducciones en la última semana mundialmente.
semana_cancionesmundo <- dd %>%
slice_max(Streams, n = 50)
semana_cancionesplotmundo <- ggplot(semana_cancionesmundo, aes(x=Position, y=Streams, group=Artist, color=Track_Name)) +
geom_point() +
theme(legend.position = 'none') +
labs(title = "Canciones más escuchadas en la última semana en el Mundo", caption = "Elaboración propia")
ggplotly(semana_cancionesplotmundo)La artista con la canción más escuchada en la última semana es Adele con Easy On Me.
Meme
8. 1. Evolución de las reproducciones de ‘All I Want For Christmas’ en el mundo.
Se ha restringido el data frame para que solo escoja la canción navideña a nivel mundial. Se pretende saber en que momento se empieza a escuchar la canción en el mundo.
aa_mariah_carey <- aa %>%
filter(title == "All I Want for Christmas Is You") %>%
filter(region == "Global") %>%
filter(chart == "top200") %>%
filter(artist == "Mariah Carey")
aa_plot <- ggplot(aa_mariah_carey, aes(x = date, y = streams, color = "red")) +
geom_line() +
labs(title = "Fecha repr. 'All I Want for Christmas'", caption = "global") + xlab("Fecha") + ylab("Nº de Reproducciones") + theme_void() + theme(legend.position="none")
ggplotly(aa_plot)Podríamos concluir que el paso de la sociedad por una pandemia mundial ha aumentado las reproducciones de All I Want For Christmas. Como consecuencia, podemos deducir que ha aumentado el espíritu navideño. Cabe mencionar que, como se muestra en el gráfico, estas reproducciones solo se llevan a cabo durante el último trimestre del año.
9. Conclusión
Este trabajo, nos ha ayudado a asentar lo aprendido en la asignatura. Asimismo, muestra como cotidianamente las personas generan una infinidad de datos que permiten analizar tanto, comportamientos como datos para poder sacar conclusiones mundiales.
Como podéis observar, se ha intentado llevar a cabo un análisis casi-completo de esta plataforma de moda en la actualidad y mostrar mediante análisis realizados con R, información útil para los más aficionados a la música.
“Nadie llega tan lejos si no es para seguir”
topgenero_cc <- cc %>%
drop_na() %>%
group_by(top_genre) %>%
summarise(popularidad_total = median(pop))
wordcloud2(data=topgenero_cc, size=0.1)10. Bibliografía
11. Sesión Informativa
Información de mi R-sesión:
- Session info ---------------------------------------------------------------
setting value
version R version 4.1.1 (2021-08-10)
os Windows 10 x64
system x86_64, mingw32
ui RTerm
language (EN)
collate Spanish_Spain.1252
ctype Spanish_Spain.1252
tz Europe/Paris
date 2021-12-16
- Packages -------------------------------------------------------------------
package * version date lib source
assertthat 0.2.1 2019-03-21 [1] CRAN (R 4.1.1)
backports 1.2.1 2020-12-09 [1] CRAN (R 4.1.1)
bookdown 0.24 2021-09-02 [1] CRAN (R 4.1.1)
broom 0.7.9 2021-07-27 [1] CRAN (R 4.1.1)
bslib 0.3.0 2021-09-02 [1] CRAN (R 4.1.1)
cellranger 1.1.0 2016-07-27 [1] CRAN (R 4.1.1)
cli 3.0.1 2021-07-17 [1] CRAN (R 4.1.1)
clipr 0.7.1 2020-10-08 [1] CRAN (R 4.1.1)
colorspace 2.0-2 2021-06-24 [1] CRAN (R 4.1.1)
corrplot * 0.90 2021-06-30 [1] CRAN (R 4.1.1)
countrycode * 1.3.0 2021-07-15 [1] CRAN (R 4.1.1)
cowplot * 1.1.1 2020-12-30 [1] CRAN (R 4.1.1)
crayon 1.4.2 2021-10-29 [1] CRAN (R 4.1.2)
crosstalk 1.1.1 2021-01-12 [1] CRAN (R 4.1.1)
curl 4.3.2 2021-06-23 [1] CRAN (R 4.1.1)
data.table * 1.14.0 2021-02-21 [1] CRAN (R 4.1.1)
DBI 1.1.1 2021-01-15 [1] CRAN (R 4.1.1)
dbplyr 2.1.1 2021-04-06 [1] CRAN (R 4.1.1)
desc 1.4.0 2021-09-28 [1] CRAN (R 4.1.1)
details 0.2.1 2020-01-12 [1] CRAN (R 4.1.2)
digest 0.6.28 2021-09-23 [1] CRAN (R 4.1.1)
dplyr * 1.0.7 2021-06-18 [1] CRAN (R 4.1.1)
ellipsis 0.3.2 2021-04-29 [1] CRAN (R 4.1.1)
evaluate 0.14 2019-05-28 [1] CRAN (R 4.1.1)
fansi 0.5.0 2021-05-25 [1] CRAN (R 4.1.1)
farver 2.1.0 2021-02-28 [1] CRAN (R 4.1.1)
fastmap 1.1.0 2021-01-25 [1] CRAN (R 4.1.1)
forcats * 0.5.1 2021-01-27 [1] CRAN (R 4.1.1)
foreign 0.8-81 2020-12-22 [2] CRAN (R 4.1.1)
fs 1.5.0 2020-07-31 [1] CRAN (R 4.1.1)
gapminder * 0.3.0 2017-10-31 [1] CRAN (R 4.1.1)
generics 0.1.1 2021-10-25 [1] CRAN (R 4.1.2)
GGally * 2.1.2 2021-06-21 [1] CRAN (R 4.1.1)
gganimate * 1.0.7 2020-10-15 [1] CRAN (R 4.1.1)
ggplot2 * 3.3.5 2021-06-25 [1] CRAN (R 4.1.1)
ggthemes * 4.2.4 2021-01-20 [1] CRAN (R 4.1.1)
gifski 1.4.3-1 2021-05-02 [1] CRAN (R 4.1.1)
glue 1.4.2 2020-08-27 [1] CRAN (R 4.1.1)
gtable 0.3.0 2019-03-25 [1] CRAN (R 4.1.1)
haven 2.4.3 2021-08-04 [1] CRAN (R 4.1.1)
here 1.0.1 2020-12-13 [1] CRAN (R 4.1.1)
highcharter * 0.8.2 2020-07-26 [1] CRAN (R 4.1.2)
hms 1.1.0 2021-05-17 [1] CRAN (R 4.1.1)
htmltools 0.5.2 2021-08-25 [1] CRAN (R 4.1.1)
htmlwidgets 1.5.4 2021-09-08 [1] CRAN (R 4.1.1)
httr 1.4.2 2020-07-20 [1] CRAN (R 4.1.1)
igraph 1.2.6 2020-10-06 [1] CRAN (R 4.1.1)
jquerylib 0.1.4 2021-04-26 [1] CRAN (R 4.1.1)
jsonlite 1.7.2 2020-12-09 [1] CRAN (R 4.1.1)
klippy * 0.0.0.9500 2021-12-07 [1] Github (rlesur/klippy@378c247)
knitr * 1.36 2021-09-29 [1] CRAN (R 4.1.1)
labeling 0.4.2 2020-10-20 [1] CRAN (R 4.1.1)
lattice 0.20-44 2021-05-02 [2] CRAN (R 4.1.1)
lazyeval 0.2.2 2019-03-15 [1] CRAN (R 4.1.1)
lifecycle 1.0.1 2021-09-24 [1] CRAN (R 4.1.1)
lubridate * 1.7.10 2021-02-26 [1] CRAN (R 4.1.1)
magrittr 2.0.1 2020-11-17 [1] CRAN (R 4.1.1)
modelr 0.1.8 2020-05-19 [1] CRAN (R 4.1.1)
munsell 0.5.0 2018-06-12 [1] CRAN (R 4.1.1)
openxlsx 4.2.4 2021-06-16 [1] CRAN (R 4.1.1)
pillar 1.6.4 2021-10-18 [1] CRAN (R 4.1.1)
pkgconfig 2.0.3 2019-09-22 [1] CRAN (R 4.1.1)
plotly * 4.9.4.1 2021-06-18 [1] CRAN (R 4.1.1)
plyr 1.8.6 2020-03-03 [1] CRAN (R 4.1.1)
png 0.1-7 2013-12-03 [1] CRAN (R 4.1.1)
prettyunits 1.1.1 2020-01-24 [1] CRAN (R 4.1.1)
progress 1.2.2 2019-05-16 [1] CRAN (R 4.1.1)
purrr * 0.3.4 2020-04-17 [1] CRAN (R 4.1.1)
quantmod 0.4.18 2020-12-09 [1] CRAN (R 4.1.1)
R6 2.5.1 2021-08-19 [1] CRAN (R 4.1.1)
RColorBrewer 1.1-2 2014-12-07 [1] CRAN (R 4.1.1)
Rcpp 1.0.7 2021-07-07 [1] CRAN (R 4.1.1)
readr * 2.0.1 2021-08-10 [1] CRAN (R 4.1.1)
readxl 1.3.1 2019-03-13 [1] CRAN (R 4.1.1)
reprex 2.0.1 2021-08-05 [1] CRAN (R 4.1.1)
reshape 0.8.8 2018-10-23 [1] CRAN (R 4.1.1)
rio * 0.5.27 2021-06-21 [1] CRAN (R 4.1.1)
rlang 0.4.11 2021-04-30 [1] CRAN (R 4.1.1)
rlist 0.4.6.2 2021-09-03 [1] CRAN (R 4.1.2)
rmarkdown 2.11 2021-09-14 [1] CRAN (R 4.1.1)
rmdformats 1.0.3 2021-10-06 [1] CRAN (R 4.1.2)
rprojroot 2.0.2 2020-11-15 [1] CRAN (R 4.1.1)
rstudioapi 0.13 2020-11-12 [1] CRAN (R 4.1.1)
rvest 1.0.1 2021-07-26 [1] CRAN (R 4.1.1)
sass 0.4.0 2021-05-12 [1] CRAN (R 4.1.1)
scales * 1.1.1 2020-05-11 [1] CRAN (R 4.1.1)
sessioninfo 1.1.1 2018-11-05 [1] CRAN (R 4.1.1)
stringi 1.7.4 2021-08-25 [1] CRAN (R 4.1.1)
stringr * 1.4.0 2019-02-10 [1] CRAN (R 4.1.1)
tibble * 3.1.4 2021-08-25 [1] CRAN (R 4.1.1)
tidyr * 1.1.3 2021-03-03 [1] CRAN (R 4.1.1)
tidyselect 1.1.1 2021-04-30 [1] CRAN (R 4.1.1)
tidyverse * 1.3.1 2021-04-15 [1] CRAN (R 4.1.1)
TTR 0.24.2 2020-09-01 [1] CRAN (R 4.1.1)
tweenr 1.0.2 2021-03-23 [1] CRAN (R 4.1.1)
tzdb 0.1.2 2021-07-20 [1] CRAN (R 4.1.1)
utf8 1.2.2 2021-07-24 [1] CRAN (R 4.1.1)
vctrs 0.3.8 2021-04-29 [1] CRAN (R 4.1.1)
viridisLite 0.4.0 2021-04-13 [1] CRAN (R 4.1.2)
withr 2.4.2 2021-04-18 [1] CRAN (R 4.1.1)
wordcloud2 * 0.2.1 2018-01-03 [1] CRAN (R 4.1.2)
xfun 0.26 2021-09-14 [1] CRAN (R 4.1.1)
xml2 1.3.2 2020-04-23 [1] CRAN (R 4.1.1)
xts 0.12.1 2020-09-09 [1] CRAN (R 4.1.1)
yaml 2.2.1 2020-02-01 [1] CRAN (R 4.1.1)
zip 2.2.0 2021-05-31 [1] CRAN (R 4.1.1)
zoo 1.8-9 2021-03-09 [1] CRAN (R 4.1.1)
[1] C:/Users/Vanesa/Documents/R/win-library/4.1
[2] C:/Program Files/R/R-4.1.1/library