Феномен музыкального долголетия: анализ треков-«долгожителей»

В этом проекте проанализирован массив данных о ежедневных позициях треков в мировых чартах Spotify и их аудиохарактеристиках. Анализ позволил выявить ключевые особенности музыки, которая не просто становится популярной, но и надолго задерживается в чартах. Я сравнила две группы треков: «однодневки» (≤30 дней в чартах) и «долгожители» (≥100 дней в чартах), чтобы найти количественные подтверждения тому, что успех — это не только случайность, но и совокупность измеримых параметров.

Интуиция подсказывает, что хиты — это часто энергичные и позитивные треки. Но в мире данных мы не можем полагаться на интуицию. Мы должны прийти к выводу через очистку данных, статистические тесты и проверку гипотез. Моя работа — не про открытие нового мира, а про создание точной карты уже известного.

Почему это важно? Мой анализ переводит субъективные мнения в объективные данные. Теперь A & R-менеджер звукозаписывающей компании, оценивая новый трек, может опереться не на интуицию, а на цифры: «У этого трека valence (позитивность) 0.52, danceability (танцевальность) 0.66 и loudness -6.2 dB — эти показатели статистически значимо соответствуют характеристикам треков-«долгожителей» и предсказывают высокие шансы на длительное пребывание в чартах».

В исследовании использованы данные о музыкальных чартах и аудиохарактеристиках треков с kaggle.com. Первый датасет содержит историю ежедневных позиций треков в мировых чартах Spotify с 2017 по 2018 год, включая название трека, исполнителя, количество прослушиваний и дату. Второй датасет содержит подробные аудиохарактеристики для каждого трека, такие как танцевальность, энергетичность, позитивность, громкость и инструментальность. Для анализа я применила такие данные, как длительность пребывания трека в чартах, средние значения аудиохарактеристик для разных групп треков, статистическая значимость различий между ними и корреляция между различными параметрами музыки.

Данные представлены в виде гистограммы для визуализации распределения треков по длительности их пребывания в чартах, набора диаграмм размаха (boxplot) для наглядного сравнения аудиохарактеристик треков-«однодневок» и «долгожителей», тепловой карты корреляций для выявления взаимосвязей между различными параметрами музыки, диаграммы рассеяния для анализа совместного распределения танцевальности и позитивности, а также графиков для сравнения общей популярности треков из разных групп.

Для визуализации я выбрала тёмный фон и приглушённую, но контрастную палитру. Это дань уважения аналоговой эре звукозаписи и той среде, где рождается музыка.

Тёмный фон — это символ тишины звукозаписывающей студии, тёмного винила на вертушке или ковролина в лофте, где репетируют группы. Это «чистый лист», на котором проявляется музыка — или, в моём случае, данные.

Приглушённые синий, оранжевый, бордовый — это цвета студийного оборудования: лампы усилителей, светящиеся индикаторы на микшере, потёртые ковры и кирпичные стены. Эта палитра не кричащая, а тёплая и «аутентичная», что соответствует моей цели — найти не сиюминутные тренды, а устойчивые, «аутентичные» закономерности в музыке.

1. Существуют ли статистически значимые различия в аудио-характеристиках между группами?
2. Какие характеристики наиболее сильно влияют на долголетие трека в чартах?
3. Можно ли предсказать успех трека по его аудио-характеристикам?

Danceability - танцевальность Energy - энергетичность Valence - позитивность Acousticness - акустичность Instrumentalness - инструментальность Tempo - темп Loudness - громкость Popularity - популярность

Загружаем два датасета:

1. SpotifyDailyRaiting.csv - ежедневные чарты с позициями треков
2. SpotifyFeatures.csv - аудио-характеристики треков

Проводим очистку данных от дубликатов, NaN значений и приводим к единому формату.

Что хорошо:

Все нужные аудио-характеристики присутствуют Минимальное количество пропуков (только 1 в track_name) Большой объем данных для анализа

Что нужно исправить:

Преобразовать Date в datetime Очистить 1 пропуск в track_name Привести к единому регистру Track Name/track_name и Artist/artist_name для объединения

Проверим наличие дубликатов и пропусков в данных

Теперь обработаем данные

Данные обработаны. Проведем быструю проверку на корректность данных