5 лет русского рэпа
В период с 2017 по 2022 год в русскоязычных музыкальных чартах появилось более 12 тысяч рэп-треков. За это время жанр радикально изменился: выросла роль стримингов, коллабораций, упростился звук и изменилось само понимание «хита».
Мне стало интересно понять, как именно формируется успех в современном русском рэпе: — влияет ли прошлый успех артиста на популярность новых релизов, — помогают ли коллаборации попадать в чарты, — и какие звуковые характеристики чаще встречаются у успешных треков.
Для анализа я использовала открытый датасет Five Years of Russian Rap Dataset, собранный на основе данных Spotify, Яндекс.Музыки и Apple Music. В выборку вошли 12 743 уникальных трека и 282 артиста, включая как хиты, так и неуспешные релизы.
Всего в рамках проекта было проанализировано 14 397 наблюдений и построено несколько типов графиков, позволяющих сравнить успешные и неуспешные треки с точки зрения структуры, звучания и контекста релиза.
Этот график показывает самых продуктивных артистов датасета по количеству выпущенных треков. Лидером является Slava KPSS, что подчёркивает его высокую активность и экспериментальность в релизной стратегии.
import matplotlib.pyplot as plt import seaborn as sns
sns.set_style ('darkgrid') sns.set_palette ('magma') plt.rcParams['font.family'] = 'Impact'
plt.figure (figsize=(10,6)) top_artists = df['artist_name'].value_counts ().head (10) sns.barplot (x=top_artists.values, y=top_artists.index) plt.title ('Топ-10 андеграунд рэп артистов по количеству треков') plt.xlabel ('Количество треков') plt.ylabel ('Артист') plt.show ()
При этом важно отметить, что количество треков не всегда коррелирует с количеством хитов, что подтверждается следующими графиками. Таким образом, продуктивность и коммерческий успех — это разные измерения артистической карьеры, которые не всегда совпадают.
plt.figure (figsize=(10,6)) sns.countplot (x='release_year', data=df) plt.title ('Количество треков по годам') plt.xlabel ('Год релиза') plt.ylabel ('Количество треков') plt.xticks (rotation=45) plt.show ()
График отражает динамику выпуска рэп-треков по годам. Наблюдается устойчивый рост количества релизов с 2017 по 2021 год, что совпадает с активным развитием стриминговых платформ и ростом популярности жанра.
Резкое снижение в 2022 году объясняется тем, что данные за этот год представлены не полностью, а не реальным спадом активности. В целом график подтверждает, что русский рэп за анализируемый период стал массовым и индустриально насыщенным жанром.
plt.figure (figsize=(8,6)) sns.scatterplot (data=df, x='Drums_Energy', y='Emotional_Intensity', hue='artist_name', legend=False) plt.title ('Энергия ударных vs эмоциональность треков') plt.xlabel ('Drums Energy') plt.ylabel ('Emotional Intensity') plt.show ()
Диаграмма рассеяния демонстрирует связь между энергией ударных и эмоциональной интенсивностью треков. Основная масса точек сосредоточена в зоне умеренной энергии ударных и средней эмоциональности, что может говорить о сформировавшемся «комфортном» звуковом диапазоне для массового слушателя.
Экстремальные значения — очень агрессивные или, наоборот, чрезмерно расслабленные треки — встречаются реже. Это позволяет предположить, что наиболее популярные треки избегают крайностей, оставаясь в сбалансированном эмоциональном и ритмическом диапазоне.
top5_artists = df['artist_name'].value_counts ().head (5).index df_top5 = df[df['artist_name'].isin (top5_artists)]
plt.figure (figsize=(10,6)) sns.boxplot (x='artist_name', y='hit_n', data=df_top5, palette='coolwarm') plt.title ('Распределение успеха треков у топ-5 артистов по количеству треков') plt.xlabel ('Артист') plt.ylabel ('Hit score') plt.show ()
Этот график показывает распределение количества прошлых хитов (hit_n) у пяти самых продуктивных артистов датасета.
Хорошо видно, что Скриптонит значительно выделяется по медиане и разбросу значений: у него высокий накопленный успех и большая вариативность, что говорит о долгой и стабильной карьере с большим числом попаданий в чарты.
У остальных артистов медианные значения существенно ниже, а распределение более сжатое. Это показывает, что высокая продуктивность (количество треков) сама по себе не гарантирует накопленного успеха, и лишь немногие артисты со временем формируют устойчивый «капитал хитов».
Описание применения генеративной модели
В рамках данного проекта использовалась генеративная языковая модель ChatGPT (OpenAI). Искусственный интеллект применялся исключительно как вспомогательный инструмент на следующих этапах работы: формулирование и редактирование аналитических текстов и пояснений к графикам; помощь в структурировании исследования и логике повествования; консультации по визуализации данных и оформлению выводов; техническая помощь при работе с кодом (Python, pandas, seaborn) и устранении ошибок. Все данные для анализа были получены из открытых источников и обработаны автором проекта самостоятельно. Интерпретация результатов, выбор метрик, построение графиков и финальные выводы были выполнены человеком и отражают авторскую позицию. Генеративная модель не использовалась для автоматического анализа данных или подмены исследовательской работы, а служила инструментом поддержки, аналогично справочной литературе или поисковым системам. Использованная модель: ChatGPT (OpenAI) Ссылка: https://chat.openai.com
