Популярные песни на Spotify

Spotify - один из самых популярных сервисов для прослушивания музыки. Благодаря ему каждый слушатель находит того исполнителя, который ему интересен, а исполнители получают шанс получить новых слушателей.

В Spotify, как и во всех других подобных сервисах, есть более прослушиваемые и популярные треки.

Есть ли какая то закономерность во всех треках, которые попадают в топы и становятся популярными на этой платформе? Этот вопрос мучает многих слушателей и исполнителей, в том числе и меня.

Целью данного проекта является желание выявить возможные закономерности и паттерны в популярных песнях на Spotify, которые могут влиять на популярность песен. Анализ таких закономерностей может помочь лучше понять музыкальные тренды, а также выявить «формулу» успеха, которая может помочь начинающим исполнителям попадать в топ по прослушиваниям.

Проект делался с помощью базы данных "Spotify Songs Analytics Dataset" с сайта Kaggle.

В качестве референса для проекта был выбран дизайн Spotify. Так, в проекте основными цветами являются оттенки зеленого, серого и белый.

Данная палитра будет использоваться во всем проекте.

Для начала импортируем все необходимые для работы библиотеки: Seaborn, Matplotlib, Pandas.

После этого задается палитра, которая будет использоваться в построении графиков.

Далее задаются глобальные стили оформления для всех графиков Matplotlib, чтобы эти графики имели единый стиль.

Финальный этап подготовки к написанию программ - чтение CSV файла (необходимая часть кода для начала работы с CSV файлом), преобразование столбца streams в числовой формат (для того, чтобы проводить числовые операции) и создание нового столбца streams_B (для более удобного сравнения).

На данной диаграмме показана зависимость количества стримов от числа плейлистов на платформах Spotify и Apple Music. Видно, что по мере роста количества плейлистов, в которых находится трек, увеличивается число его стримов (прослушиваний). Заметно, что после преодоления определенного порога, рост количества стримов ускоряется.

Данная диаграмма иллюстрирует общее количество стримов в Spotify и Apple Music. Чем больше суммарное количество плейлистов, тем выше популярность трека. Наиболее высокие значения стримов сосредоточены в правой верхней части диаграммы.

Несмотря на наличие некоторого разброса, общий тренд остаётся очевидным: количество плейлистов является важным фактором роста прослушиваний трека.

Данный боксплот показывает как часто треки становились популярными с 2000 года по 2025 год.

На графике видно, что начиная с 2020 года количество стримов популярных треков начало уменьшаться, медианные значения стримов популярных треков снижаются, а разброс значений становится еще более выраженным. Это может указывать на то, что стримы начали перераспределяться между большим числом треков.

На данной диаграмме представлена зависимость количества стримов от трех музыкальных характеристик: energy (энергичность), acousticness (акустичность) и liveness (вероятность того, что трек записан с живого выступления/с посторонними шумами).

Большинство наиболее популярных треков сосредоточено в диапазоне средних и высоких значений energy, а также при низких значениях acousticness и liveness, что указывает на преобладание студийных треков. Тем не менее, связь между тремя этими параметрами и количеством стримов почти полностью отсутствует: при схожих значениях energy, acousticness или liveness количество стримов может существенно различаться.