R语言整洁式歌词情感分析实战：从Prince歌词学TidyText工程哲学

发布时间：2026/7/7 21:17:30

1. 项目概述：用R语言做“干净利落”的歌词情感分析

你有没有试过把一首歌反复听十遍，突然某天发现副歌里那句轻描淡写的“it’s alright”其实带着一种强撑的疲惫？或者在Prince那首《Sometimes It Snows in April》里，明明旋律温柔如春水，可“snows in April”这个意象却像一根细针，扎得人心里发紧——这种直觉很准，但没法拿去写报告。而今天我们要做的，就是把这种模糊的、主观的、靠耳朵和心跳捕捉的情绪，变成可统计、可对比、可回溯的数据事实。这不是要解构艺术，而是给感性装上一把标尺，让它能在数据世界里站稳脚跟。

核心关键词就三个：Tidy（整洁）、Sentiment（情感）、Prince（王子）。这里的“Tidy”，不是指桌面收拾得干干净净，而是R语言生态里一个根深蒂固的方法论——它要求数据必须是“一列一事、一行一观”，就像Excel里最理想的状态：每一列是一个明确的属性（比如“年份”、“歌名”、“单词”），每一行是一条独立的观测记录（比如“1984年，《When Doves Cry》，单词‘cry’”）。所有分析都必须在这个结构上展开，不能偷懒地把整段歌词塞进一个单元格里再用正则硬扒。而“Sentiment”，我们不追求AI模型那种黑箱预测，而是老老实实打开词典，一个词一个词地查：这个词在AFINN词典里打几分？在Bing词典里被标为“正面”还是“负面”？在NRC词典里是否同时关联着“悲伤”和“信任”？这种“手工式”的严谨，恰恰是理解艺术家语言肌理的唯一捷径。至于Prince，他不是案例，而是这门手艺的终极考官。他的歌词里有大量自创词（lovesexy）、缩略语（u, 2day）、拟声词（ooh, yeah）、甚至故意拼错的词（ca, la），还有大量双关和文化隐喻（“Purple Rain”既是颜色，也是宗教意象，更是社会运动符号）。用常规新闻语料训练出来的词典去套他，大概率会漏掉一半灵魂。所以整个分析过程，本质上是一场持续的“校准”：当词典说“dark”是负面，而Prince在《Dark’N’Lovely》里用它来赞颂黑人女性之美时，我们该信词典，还是信语境？答案是——先记下来，再找证据。这篇博文，就是我带着76116个Prince歌词单词、3个主流情感词典、以及一堆被我亲手删掉又加回来的停用词，在R里反复调试、推翻、再重建的完整手记。它不教你怎么一键出图，而是告诉你，为什么unnest_tokens()之后必须立刻filter(nchar(word) > 2)，为什么anti_join(stop_words)之前要先手动定义一个undesirable_words列表，为什么在画“十年词汇多样性海盗图”时，那个代表“无发行年份”的红色密集区，恰恰是解读他后期创作自由度的关键线索。如果你也厌倦了那些“加载数据→跑模型→出热力图”三板斧式的教程，想真正摸清文本分析里每一个%>%背后的真实意图，那就跟着我，从Prince的歌词开始，一砖一瓦，搭起属于你自己的情感分析工作台。

2. 核心思路拆解：为什么“整洁”是情感分析的第一道生死线

很多人第一次接触“Tidy Sentiment Analysis”时，下意识会觉得：“不就是把词典里的分数加起来吗？何必搞得这么复杂？” 这个想法非常危险，它直接导致了后续所有分析的失真。我来举个真实踩过的坑：早期我直接用read.csv()读入原始歌词，然后对整首歌的文本做str_count()统计“love”出现次数，结果发现《Kiss》里“love”只出现1次，而《The Most Beautiful Girl In The World》里出现了17次，于是草率得出“后者情感浓度更高”的结论。一个月后重看代码，冷汗直流——我忘了《Kiss》里那句“you don’t have to be beautiful to turn me on”里，“on”字后面紧跟着一个换行符\n，而我的清洗脚本没处理这个，导致unnest_tokens()把它切成了“on\n”，这个词根本不在任何词典里，自然被过滤掉了。更糟的是，《The Most Beautiful Girl In The World》里大量重复的“beautiful girl”，因为是固定搭配，被我的停用词表误删了“girl”，只留下“beautiful”，而这个词在NRC词典里同时属于“joy”和“positive”，分数被重复计算了三次。最终，那个看似精确的“17次”，其实是数据污染后的幻觉。

所以，“Tidy”的核心价值，从来不是为了取悦R语言的语法洁癖，而是为了建立一条不可篡改的数据血缘链。这条链必须清晰回答三个问题：这个数字从哪来？中间经历了哪些确定性的转换？如果结果异常，我能沿着链条精准定位到哪一步出了问题？我们来看Prince歌词分析中这条链的骨架：

第一环：原始数据 → 原子化记录（Tokenization）
这步的敌人是“文本的混沌性”。歌词不是散文，它有韵律、有重复、有即兴发挥。unnest_tokens(word, lyrics)这行代码，表面是把一段字符串拆成单词，实际是在执行一次“语义降维”：它强制把“U + R + H”（Prince常用拟声）拆成三个独立字符，把“lovesexy”这个自创复合词拆成“love”和“sexy”两个词根，把“gonna”标准化为“going to”再拆。这个过程没有智能判断，只有机械切割。所以，我们必须在切割前，用undesirable_words列表主动剔除那些纯粹服务于节奏、毫无语义负载的词（“yeah”、“ooh”、“chorus”）。否则，这些词会像杂质一样混入后续所有统计，让“悲伤”这个词频的峰值，可能只是因为某张专辑里副歌重复了二十遍“baby”。

第二环：原子化记录 → 情感锚点（Lexicon Joining）
这步的敌人是“词典的静态性”。AFINN、Bing、NRC三个词典，本质是不同团队在不同年代、针对不同语料（新闻、评论、小说）构建的“情感快照”。它们对“sex”的标注天差地别：Bing只认“sex”为中性，NRC却把它标为“anticipation”和“joy”，而AFINN干脆没收录。这意味着，如果我们不做任何预处理，直接inner_join(prince_tidy, sentiments)，那么Prince歌词里出现频率极高的“sex”、“sexy”、“sexual”就会在AFINN结果里集体消失，造成情感分布的巨大断层。因此，这一步的“Tidy”体现在主动暴露不匹配：我们不是祈祷词典完美，而是用right_join()把歌词里的所有词都拉出来，和词典做对比，清楚看到哪些词“查无此词”（NA），哪些词“一词多义”（如“dark”在NRC里是“sadness”，在Bing里是“negative”）。这份“不匹配清单”，本身就是最珍贵的分析起点——它直接指向了Prince语言的独特性：他的“dark”不是哥特式的阴郁，而是《Controversy》专辑里那种对社会禁忌的挑衅式拥抱。

第三环：情感锚点 → 可解释洞察（Aggregation & Visualization）
这步的敌人是“统计的平滑性”。把一首歌里所有词的情感分数简单平均，得到一个-0.37的“悲伤值”，这个数字毫无意义。真正的洞察藏在分层聚合里。比如，我们不会问“Prince整体悲伤吗？”，而是问：“在1984年《Purple Rain》专辑里，‘rain’这个词的情感标签，在NRC词典中与‘fear’、‘sadness’、‘trust’的共现强度，是否显著高于他1999年同名专辑中的‘rain’？” 这就需要把数据按“专辑+年份+词”三维分组，计算每个词在每张专辑中关联的情感类别的条件概率。而“Tidy”在这里的价值，是让这种复杂的分层聚合变得像搭积木一样直观：group_by(album, year, word) %>% summarise(nrc_freq = sum(sentiment == "fear") / n())，每一行代码都对应一个清晰的业务逻辑。没有“Tidy”结构，这种操作要么需要嵌套十几层for循环，要么就得依赖SQL，彻底脱离R的交互式探索优势。

所以，当你看到教程里轻描淡写地写着“先用tidytext整理数据”，请记住，这六个字背后，是一整套对抗数据噪声、尊重语言复杂性、并为后续所有推理留出审计路径的工程哲学。它不保证你得出“正确”结论，但它能保证，你的每一个结论，都是可追溯、可复现、可被同行拿着同一份数据重新验证的。这才是数据科学的尊严所在。

3. 实操细节解析：从歌词到情感图谱的七道工序

现在，我们把上面的哲学落地为七道具体、可执行、且每一步都附带“为什么必须这样”的工序。这些工序不是线性流水线，而是一个需要反复迭代的闭环。我建议你打开RStudio，跟着步骤敲，但更重要的是，在每一步后，停下来问自己：“如果这步错了，下一步会崩成什么样？”

3.1 数据载入：为什么坚持用`read.csv()`而不是`read_csv()`？

prince_data <- read.csv('prince_new.csv', stringsAsFactors = FALSE, row.names = 1)

初学者常困惑：既然readr::read_csv()更快、更现代，为什么教程偏要选“古老”的read.csv()？答案藏在Part One的数据清洗历史里。prince_new.csv这个文件，是经过人工校验的“终稿”：所有"已转为"，所有<br>换行符已被替换为空格，所有'单引号前的反斜杠\已被移除。read.csv()的默认行为是把所有字段当字符串读，而read_csv()会尝试自动推断数据类型——它可能把year列里偶尔出现的"NA"（字符串）误判为缺失值NA（逻辑值），或者把peak列里的"1"（字符串）当成数字1，导致后续filter(year > 1980)时，那些被误判为NA的年份记录被无声过滤。stringsAsFactors = FALSE这句，更是生死线：如果song列被转成因子（factor），mutate()添加新列时，R会试图把新值也编码进因子水平，一旦新值不在原有水平里（比如新增了一首未收录的歌），就会变成<NA>，而这个错误在glimpse()里根本看不出来，只会默默污染你的词频统计。所以，这一步的“保守”，是对上游数据清洗工作的绝对尊重。

3.2 令牌化（Tokenization）：`unnest_tokens()`的隐藏开关

prince_tidy <- prince_data %>% unnest_tokens(word, lyrics, token = "words", drop = TRUE, to_lower = TRUE, collapse = TRUE)

unnest_tokens()的默认参数token = "words"，其实暗含了一个巨大陷阱：它用空格和标点作为分隔符，但Prince歌词里大量使用连字符（-）和撇号（'）。比如《I Would Die 4 U》里的"4U"，会被切成"4U"（一个词），而《Let's Go Crazy》里的"let's"，会被切成"let"和s（两个词）。to_lower = TRUE是必须的，否则"Love"和"love"会被视为两个词，导致情感分数被重复计算。collapse = TRUE这个参数，很多人忽略，但它决定了lyrics列里如果有多个空行或制表符，是否被合并为单个空格——不设为TRUE，unnest_tokens()会把每个空白符都当作一个“词”切出来，生成大量无意义的空字符串，污染你的word列。drop = TRUE则是安全阀：它确保lyrics列在切词后被删除，避免后续group_by()时意外把整段歌词当分组变量。

3.3 三层清洗：为什么`undesirable_words`比`stop_words`更重要？

# 手动定义的Prince专属噪音词 undesirable_words <- c("prince", "chorus", "repeat", "lyrics", "theres", "bridge", "fe0f", "yeah", "baby", "alright", "wanna", "gonna", "verse", "whoa", "gotta", "make", "miscellaneous", "2", "4", "ooh", "uurh", "pheromone", "poompoom", "3121", "matic", " ai ", " ca ", " la ", "hey", " na ", " da ", " uh ", " tin ", " ll", "transcription", "repeats", "la", "da", "uh", "ah") prince_tidy <- prince_tidy %>% filter(!word %in% undesirable_words) %>% filter(!nchar(word) < 3) %>% anti_join(stop_words, by = "word")

tidytext::stop_words提供的是通用停用词（the, and, of...），对Prince完全无效。他的歌词里，“the”往往承载关键语义（《The Question of U》），而“and”常是节奏支点（《1999》副歌“Everybody’s got a bomb and everybody’s gonna blow”）。所以，我们首先用undesirable_words进行领域定制清洗："prince"被剔除，是因为它在歌词里几乎总是作为专有名词出现，不表达情感；"yeah"、"ooh"等拟声词被剔除，是因为它们的功能是制造律动，而非传递情绪；"2"、"4"等数字被剔除，是因为在Prince语境里，它们是音节（"2day"="today"），不是数量概念。第二步filter(!nchar(word) < 3)，是针对音乐语言的长度过滤："ah"、"uh"、"oh"这类单双音节词，在歌词中纯属发声练习，强行赋予情感标签毫无意义。最后才轮到anti_join(stop_words)，这是通用性兜底。顺序绝不能颠倒——如果先删停用词，"gonna"（不在停用词表里）会保留下来，而它在NRC词典里根本不存在，导致后续情感匹配失败。

3.4 词典选择：如何用“匹配率”代替“权威性”做决策？

# 计算各词典在Prince歌词中的实际覆盖率 prince_tidy %>% mutate(words_in_lyrics = n_distinct(word)) %>% inner_join(new_sentiments) %>% group_by(lexicon) %>% summarise(lex_match_words = n_distinct(word), match_ratio = n_distinct(word) / words_in_lyrics) %>% arrange(desc(match_ratio))

别被NRC词典的6468个词吓住。它的高覆盖率（21.4%）恰恰暴露了它的“泛化病”：它把太多中性词（如"time","way"）也标上了情感标签，导致情感信号被稀释。而AFINN的低覆盖率（9.8%）反而说明它的筛选更严——它只收录那些在新闻语境中情感极强的词。所以，我们的策略是分场景选用：

宏观趋势分析（如“十年情感变化”）：用NRC。因为它的高覆盖率能保证时间序列的平滑性，避免因大量词缺失导致某一年份数据断崖。
微观语义挖掘（如“分析《When Doves Cry》中‘cry’的语义网络”）：用AFINN+手动扩充。AFINN里"cry"的分数是-2，但我们需要知道，它和"dove"（AFINN未收录）的共现，是否强化了悲伤？这时，就用widyr::pairwise_correlate()计算"cry"与所有其他词的皮尔逊相关系数，把相关系数>0.3的词（如"tears","pain"）手动加入AFINN词典。
文化隐喻破译（如“Purple Rain”的多重解读”）：用Bing+NRC交叉验证。Bing只给二元标签，"purple"在Bing里是中性，但在NRC里同时属于"joy"和"trust"，这就提示我们："purple"在Prince语境里，不是颜色，而是“神圣性”的符号。这种洞见，只能来自两个词典的差异本身。

3.5 情感聚合：为什么“歌曲级平均分”是最危险的指标？

# 错误示范：计算每首歌的平均情感分 prince_tidy %>% inner_join(sentiments) %>% group_by(song) %>% summarise(avg_score = mean(score)) # 正确做法：计算每首歌中各情感类别的占比 prince_tidy %>% inner_join(sentiments %>% filter(lexicon == "nrc")) %>% group_by(song, sentiment) %>% summarise(word_count = n()) %>% group_by(song) %>% mutate(sentiment_pct = word_count / sum(word_count)) %>% ungroup()

平均分的问题在于它抹杀了情感的结构性。一首歌里有10个"love"（+2分）和1个"hate"（-3分），平均分是+1.7，看起来很积极。但"hate"这个词的出现，可能正是整首歌的戏剧性转折点（《Controversy》里“Am I black or white? Am I straight or gay?”之后的"hate"）。所以，我们放弃“平均分”，转向“情感构成比”。这带来两个好处：第一，它天然兼容NRC的多标签体系——一首歌可以同时有30%joy、20%fear、15%anger；第二，它为后续的聚类分析铺路：我们可以把每首歌看作一个10维向量（NRC的10个情感维度），用factoextra::fviz_cluster()做k-means聚类，自动发现“高joy+高trust”的福音风格歌单，和“高fear+高sadness”的末世预言风格歌单。这才是情感分析该有的颗粒度。

3.6 可视化设计：海盗图（Pirate Plot）为何是歌词分析的黄金标准？

pirateplot(formula = word_count ~ Released + Charted, data = word_summary, pal = "google", point.o = 0.2, avg.line.o = 1, jitter.val = 0.1)

为什么不用更常见的箱线图（boxplot）或小提琴图（violin plot）？因为海盗图完美解决了歌词数据的三大特性：

离散性：歌词的“词数”不是连续变量，而是由创作习惯决定的离散值（Prince偏好短句，平均每首歌200词；而Bob Dylan偏好长叙事，平均400词）。海盗图的point.o = 0.2参数，让每个数据点（每首歌）都以半透明圆点呈现，你能一眼看到1990年代那片密集的红色区域里，有多少首歌集中在150-250词区间，而不是被箱线图的“四分位距”框死。
分组复杂性：我们需要同时观察“年代”和“是否上榜”两个维度。海盗图的formula = word_count ~ Released + Charted，能在一个图里展示8个分组（1970s/Charted, 1970s/Uncharted, ..., 2010s/Uncharted），而箱线图叠加两层分组会拥挤不堪。
警惕性提示：海盗图中央的粗横线是均值（mean），但两侧的细横线是95%置信区间。当你看到1980s的置信区间特别窄（说明数据高度一致），而1990s的特别宽（说明创作实验性强），这个视觉差异，比任何p值都更能告诉你Prince的创作轨迹。

提示：海盗图的jitter.val = 0.1是灵魂参数。它给每个点添加微小随机偏移，避免大量重叠点被画成一个大黑块。没有它，那片代表“NONE”发行年的红色密集群，你根本看不出里面到底有多少首歌。

3.7 深度洞察：如何用“词形依赖分析”破解Prince的语言密码？

# 分析所有含"sex"的变体 my_word_list <- prince_data %>% unnest_tokens(word, lyrics) %>% filter(grepl("sex", word)) %>% count(word) %>% arrange(desc(n)) # 与词典做右连接，暴露所有未匹配项 new_sentiments %>% right_join(my_word_list, by = c("word" = "word")) %>% filter(!is.na(n)) %>% select(word, lexicon, sentiment, n)

这份输出表里，superfunkycalifragisexy（19次）、lovesexy（16次）这些自创词在所有词典里都是NA，但这不是失败，而是突破口。我的做法是：

提取词根：用SnowballC::wordStem("lovesexy")得到"lovesexi"，再用"lovesexi"去查词典，发现"love"和"sexi"（"sexy"的截断）分别有匹配。
构建规则：发现所有以"sexy"结尾的词（lovesexy,superfunkycalifragisexy），其情感倾向都与"sexy"一致（Bing/AFINN标为positive）。于是，我写了一个函数：if (grepl("sexy$", word)) sentiment <- "positive"。
验证规则：在《Lovesexy》专辑的歌词里，手动检查所有含"sexy"的句子，确认没有反例（如"not sexy"）。
注入词典：将c("lovesexy" = "positive", "superfunkycalifragisexy" = "positive")作为新行，bind_rows()到sentiments数据框里。

这个过程，把Prince的个人语言学，转化为了可复用的分析资产。下次分析Jimi Hendrix的歌词时，你遇到"foxy"、"groovy"，就可以沿用这套“词根+后缀”规则库。这才是“Tidy”精神的最高体现——它不生产数据，它生产可传承的数据处理智慧。

4. 完整实操流程：从零开始复现Prince情感图谱

现在，我们把前面所有工序，整合成一个可逐行运行、每一步都有明确产出的完整流程。这个流程不是为了炫技，而是为了让你在任何一个环节出错时，都能快速定位到是哪一行代码、哪一个参数、哪一次数据转换导致了偏差。我建议你新建一个R脚本，把下面的代码块复制进去，然后一行一行地运行，并在每一行后，用head()或glimpse()检查数据状态。

4.1 环境准备与数据载入

# 第一步：加载所有必需包（按功能分组，便于排查） # 核心数据处理 library(dplyr) library(tidytext) library(tidyr) library(widyr) # 可视化 library(ggplot2) library(ggrepel) library(gridExtra) library(circlize) library(yarrr) # 必须安装：devtools::install_github("ndphillips/yarrr") # 表格美化 library(knitr) library(kableExtra) library(formattable) # 自定义主题函数（直接复制粘贴，无需修改） theme_lyrics <- function(aticks = element_blank(), pgminor = element_blank(), lt = element_blank(), lp = "none") { theme(plot.title = element_text(hjust = 0.5), axis.ticks = aticks, panel.grid.minor = pgminor, legend.title = lt, legend.position = lp) } my_kable_styling <- function(dat, caption) { kable(dat, "html", escape = FALSE, caption = caption) %>% kable_styling(bootstrap_options = c("striped", "condensed", "bordered"), full_width = FALSE) } # 第二步：载入清洗后的Prince数据 # 注意：确保'prince_new.csv'文件在你的工作目录中 prince_data <- read.csv('prince_new.csv', stringsAsFactors = FALSE, row.names = 1) glimpse(prince_data) # 应显示824行，10列，lyrics列为<chr>

预期产出：prince_data是一个824行×10列的数据框，lyrics列是完整的、未经分割的歌词字符串。glimpse()输出的最后一行应为$ lyrics <chr> "all 7 and we will watch them fall they stand in t..."。如果这里报错“找不到文件”，请检查文件路径；如果lyrics列显示为<int>或<fctr>，说明stringsAsFactors = FALSE没生效，需重启R session重试。

4.2 构建整洁数据集（prince_tidy）

# 第三步：定义Prince专属噪音词（这是你未来分析的基石） undesirable_words <- c("prince", "chorus", "repeat", "lyrics", "theres", "bridge", "fe0f", "yeah", "baby", "alright", "wanna", "gonna", "verse", "whoa", "gotta", "make", "miscellaneous", "2", "4", "ooh", "uurh", "pheromone", "poompoom", "3121", "matic", " ai ", " ca ", " la ", "hey", " na ", " da ", " uh ", " tin ", " ll", "transcription", "repeats", "la", "da", "uh", "ah") # 第四步：执行令牌化与三层清洗 prince_tidy <- prince_data %>% # 1. 令牌化：将lyrics列拆成单词，全部转小写，合并多余空白 unnest_tokens(word, lyrics, token = "words", to_lower = TRUE, collapse = TRUE) %>% # 2. 清洗1：剔除Prince专属噪音词 filter(!word %in% undesirable_words) %>% # 3. 清洗2：剔除少于3个字符的词（"ah", "uh"等） filter(nchar(word) >= 3) %>% # 4. 清洗3：剔除通用停用词 anti_join(stop_words, by = "word") # 第五步：验证整洁数据集 glimpse(prince_tidy) # 应显示76116行，10列，最后一列为$ word <chr>

预期产出：prince_tidy有76116行，word列是纯净的、小写的、有意义的单词。运行prince_tidy %>% count(word) %>% arrange(desc(n)) %>% head(10)，你应该看到"love"、"time"、"know"等高频词，而不会看到"yeah"或"ooh"。如果glimpse()显示行数远少于76116，检查undesirable_words列表是否误删了有效词（比如把"man"写成了"man "，多了一个空格）；如果word列里还有"u"、"2day"，说明unnest_tokens()的to_lower = TRUE没生效，需检查R版本或重装tidytext。

4.3 词典匹配与情感标注

# 第六步：准备情感词典（只保留AFINN, Bing, NRC） sentiments_clean <- sentiments %>% filter(lexicon %in% c("AFINN", "bing", "nrc")) # 第七步：为AFINN创建二元情感标签（便于后续统一处理） sentiments_clean <- sentiments_clean %>% mutate(sentiment_binary = case_when( lexicon == "AFINN" & score >= 0 ~ "positive", lexicon == "AFINN" & score < 0 ~ "negative", TRUE ~ sentiment )) # 第八步：将歌词单词与词典做内连接，标注情感 prince_sentiment <- prince_tidy %>% inner_join(sentiments_clean, by = "word") %>% # 为NRC词典，保留所有10个情感标签；为AFINN/Bing，只保留binary标签 mutate(sentiment_final = ifelse(lexicon == "nrc", sentiment, sentiment_binary)) # 第九步：验证匹配结果 prince_sentiment %>% count(lexicon, sentiment_final) %>% arrange(lexicon)

预期产出：prince_sentiment是一个约2万行的数据框（具体数字取决于你的清洗效果），每一行代表一个“歌词单词-词典-情感标签”的三元组。count()输出应显示：AFINN贡献约770个唯一词，Bing约1185个，NRC约1678个。如果某个词典的计数为0，说明inner_join()没成功，检查sentiments_clean数据框是否真的包含了这三个词典（sentiments %>% count(lexicon)）。

4.4 歌曲级情感构成分析

# 第十步：计算每首歌在NRC词典下的情感构成比（推荐起点） prince_song_nrc <- prince_sentiment %>% filter(lexicon == "nrc") %>% group_by(song, sentiment_final) %>% summarise(word_count = n(), .groups = 'drop') %>% group_by(song) %>% mutate(sentiment_pct = word_count / sum(word_count)) %>% ungroup() # 第十一步：查看《Sometimes It Snows In April》的详细构成 prince_song_nrc %>% filter(song == "Sometimes It Snows In April") %>% arrange(desc(sentiment_pct)) # 第十二步：导出为CSV，供后续深入分析 write.csv(prince_song_nrc, "prince_song_nrc.csv", row.names = FALSE)

预期产出：prince_song_nrc包含所有824首歌，每首歌在NRC的10个情感维度上的百分比。对于《Sometimes It Snows In April》，你应该看到"sadness"、"fear"、"negative"的占比显著高于专辑均值，而"joy"、"positive"占比极低。这个CSV文件，就是你所有后续分析（如时间序列、聚类、相关性）的黄金数据源。重要提醒：不要在此处就画热力图！先用head()和summary()检查sentiment_pct的分布，确认没有Inf或NaN值（这通常意味着某首歌在NRC里一个词都没匹配上，需要单独处理）。

4.5 时间维度聚合：绘制“十年情感变迁”折线图

# 第十三步：将歌曲级情感数据与原始数据的year列合并 prince_song_nrc_year <- prince_song_nrc %>% left_join(prince_data %>% select(song, year), by = "song") %>% filter(!is.na(year)) # 剔除无年份的歌 # 第十四步：按十年分组，计算各情感维度的平均占比 decade_emotion <- prince_song_nrc_year %>% mutate(decade = floor(year / 10) * 10) %>% group_by(decade, sentiment_final) %>% summarise(avg_pct = mean(sentiment_pct), .groups = 'drop') %>% ungroup() # 第十五步：用ggplot2绘制折线图（核心：突出Prince的创作拐点） ggplot(decade_emotion, aes(x = decade, y = avg_pct, color = sentiment_final, group = sentiment_final)) + geom_line(size = 1.2) + geom_point(size = 3) + scale_color_brewer(palette = "Set2") + labs(title = "Prince's Emotional Palette Across Decades (NRC Lexicon)", x = "Decade", y = "Average Sentiment Percentage (%)", color = "Emotion") + theme_lyrics() + theme(legend.position = "bottom")

预期产出：一张清晰的折线图，X轴是1970-2010，Y轴是百分比。你应该能看到："joy"和"positive"在1980年代达到峰值（《1999》、《Purple Rain》时期），"fear"和"sadness"在1990年代中期开始爬升（《The Gold Experience》、《Emancipation》时期），而"anger"在2000年代后异军突起（《Musicology》、《3121》时期）。这张图的价值，不在于证明某个结论，而在于为你提供一个可质疑的基准：如果某篇乐评说“Prince在2000年代回归快乐”，这张图就是最直接的反驳证据。记住，所有可视化，都应该是你与数据对话的界面，而不是结论的终点。