Анализ самых популярных песен
Описание проекта
Музыка — это неотъемлемая часть креативных индустрий, формирующая культуру и задающая тренды. Каждый год появляются сотни новых хитов, но почему одни песни становятся популярными, а другие остаются незамеченными? Именно этим вопросом я задалась и поэтому решила проанализировать данные о популярных треках, чтобы понять, какие факторы влияют на их успех.
Типы диаграмм:
· гистограммы · столбчатые диаграммы · круговые диаграммы · ящики с усами
Эти типы графиков были выбраны, потому что они наглядно демонстрируют распределение данных, позволяют сравнивать категории и выявлять тренды.
Я выбрала данные из датасета top.csv, который содержит информацию о популярных песнях. Датасет включает такие характеристики, как название песни, исполнитель, жанр, год выпуска, темп (BPM), уровень энергии, танцевальность, громкость, настроение, длина трека, акустичность, уровень речевых элементов и популярность.
Эти данные представляют интерес, потому что они позволяют изучить, какие характеристики музыки влияют на её популярность. Я хотела понять, какие жанры и параметры песен наиболее востребованы среди слушателей. Это может быть полезно для музыкантов, продюсеров и стриминговых платформ, чтобы лучше понимать предпочтения аудитории.
Этапы работы
Цветовая палитра была выбрана вручную, чтобы графики были визуально привлекательными и легко читаемыми.
Цветовая палитра. [E8D1A7, C17C45, 84592B, 743014, 2A2D32, E3EBF2, 87908F, 9D9167, 676127, 442D1C.]
Топ-10 жанров по количеству песен
colors = ['#e8d1a7', '#c17c45', '#84592b', '#743014', '#2a2d32', '#e3ebf2', '#87908f', '#9d9167', '#676127', '#442d1c']
plt.figure (figsize=(12, 6)) sns.barplot (x=genre_counts.index[: 10], y=genre_counts.values[: 10], palette=colors[: 10]) plt.xticks (rotation=45) plt.title («Топ-10 жанров по количеству песен») plt.xlabel («Жанр») plt.ylabel («Количество песен») plt.show ()
Распределение популярности песен
colors = ['#e8d1a7', '#c17c45', '#84592b', '#743014', '#2a2d32', '#e3ebf2', '#87908f', '#9d9167', '#676127', '#442d1c']
plt.figure (figsize=(10, 5)) sns.histplot (df[«popularity»], bins=20, kde=True, color = colors[0])
plt.title («Распределение популярности песен») plt.xlabel («Популярность») plt.ylabel («Частота») plt.show ()
Распределение жанров
plt.figure (figsize=(12, 6)) sns.boxplot (x=df[«popularity»], color=colors[0]) plt.title («Ящик с усами для популярности») plt.xlabel («Популярность») plt.show ()
plt.figure (figsize=(12, 6)) sns.boxplot (x=df[«energy»], color=colors[1]) plt.title («Ящик с усами для энергии») plt.xlabel («Энергия») plt.show ()
plt.figure (figsize=(12, 6)) sns.boxplot (x=df[«popularity»]) plt.title («Ящик с усами для популярности») plt.xlabel («Популярность») plt.show ()
plt.figure (figsize=(12, 6)) sns.boxplot (x=df[«energy»]) plt.title («Ящик с усами для энергии») plt.xlabel («Энергия») plt.show ()
Вывод
· Популярность треков в датасете в основном находится в диапазоне 75-85, но встречаются как мировые хиты, так и менее успешные песни.
· Энергия песен имеет широкий разброс, но основная масса треков — энергичные и ритмичные.
· Выбросы по популярности показывают различия в успехе композиций, а выбросы по энергии подтверждают, что в датасете присутствуют как динамичные треки, так и спокойные баллады.
Данный анализ подтверждает гипотезу о том, что уровень энергии трека может быть важным предиктором его популярности, однако могут существовать и другие скрытые факторы, влияющие на успех песен.
