Цель исследования
Музыка - важная часть повседневной жизни, а благодаря стриминговым сервисам и большим данным мы можем количественно исследовать ее свойства. Однако большинство слушателей воспринимают песни как набор субъективных впечатлений.
Цель этого проекта - превратить музыку в данные: проанализировать, как числовые аудиофичи (энергичность, танцевальность, темп, громкость и др.) распределяются по жанрам и как они между собой связаны.
Описание признаков
genre - жанр трека (категориальная переменная) danceability - танцевальность (от 0 до 1) energy - «энергия» трека (0–1) loudness - громкость, dB (от –35 до – speechiness, acousticness, instrumentalness, liveness, valence - дополнительные характеристики (0–1) tempo - темп, BPM (от 60 до 180)
Инструменты: pandas, numpy — для формирования и обработки данных matplotlib, seaborn — для построения графиков
Код анализа данных
Импорт библиотек + создание датасета
График 1
Корреляционная матрица (heatmap)
Выявлены сильные связи: energy and loudness (энергичные треки чаще громкие); отрицательная взаимосвязь acousticness and loudness / energy - акустичные треки спокойнее
График 2
Barplot — средняя энергия по жанрам
Жанры EDM / Dance Pop/ House/ Rap - лидеры по энергичности. Классические и акустические стили - внизу.
График 3
Scatterplot Tempo vs Energy
Темп и энергия связаны не строго: высокий BPM не равно высокая энергия - виден разброс. Темп - не главный показатель силы трека.
График 4
Boxplot — танцевальность по жанрам
График 5
Pairplot (tempo, energy, valence)
Энергия и темп часто коррелируют, но valence (настроение) почти не зависят от других фич. Настроение трека - отдельный измеритель.
График 6
Гистограмма громкости (loudness)
