Музыкальные тренды на платформе Spotify
С появлением платформ стриминговых сервисов, вроде Spotify, современная музыкальная сфера радикально трансформировалась. Эти сервисы не просто переопределили способы прослушивания музыки, но и стали источником колоссальных объемов информации о вкусах аудитории, востребованности различных музыкальных направлений и особенностях звучания композиций.
Такие данные позволяют глубже понять, какие факторы делают музыку успешной, и выявить ключевые тренды в музыкальной индустрии.
Мне интересна эта тема, потому что я сама на протяжении долго времени слушаю музыку, и с каждым днем погружаюсь в нее все больше. Также эта тема интересна с точки зрения того, как аудитория меняется, какими становятся потребители. Данный датасет будет интересен музыкантам, продюсерам и маркетологом.
Для анализа был выбран датасет Spotify Tracks Dataset, доступный на платформе Kaggle. Этот датасет содержит информацию о популярных треках Spotify за период 2017–2023 годов. Основные параметры включают: метаданные о треках, популярность трека (шкала от 0 до 100), аудио-характеристики треков, жанр трека.
Этот датасет был выбран потому, что он предоставляет досочно большую информацию о музыкальных трендах и позволяет провести анализ распределения по популярность треков различных жанров.
Виды графиков
В ходе изучения массива данных музыкальной платформы Spotify для визуализации различных сторон востребованности композиций был применен ряд графических представлений.
— Вертикальная столбчатая диаграмма: Дает возможность в явном виде сопоставить популярность разных стилей и выделить лидирующие в каталоге Spotify. — Матрица корреляции: Помогает установить, какие параметры влияют на признание музыки. — Столбцовая диаграмма: Позволяет обнаружить направления, в которых средний уровень известности композиций выше, что способствует определению наиболее успешных музыкальных категорий. — Диаграмма рассеяния: Позволяет изучить соотношение между известностью и энергичностью композиций, а линия тренда помогает определить общую тенденцию.
Использование библиотек
Для начала я импортировала необходимые мне библиотеки: Seaborn, Matplotlib и pandas. После чего скачала и считала датасета с csv-файлом.
Далее проверила какие столбцы есть в датасете с помощью функции: print (df.columns), также выявила что в датасете нет колонки с датами, поэтому откинула идеи анализ по годам. Снизу представлен не полный фрагмент кода с названием колонок.
Графики
Столбчатая диаграмма топ-10 жанров показывает, какие жанры доминировали в библиотеке Spotify. помогает выявить наиболее популярные жанры музыки у слушателей на заданный период времени.
Анализ графика демонстрирует, что лидирующие позиции по числу музыкальных композиций занимают pop, hip-hop и rock. Это свидетельствует о преобладании данных жанров в музыкальном каталоге Spotify и об их востребованности среди пользователей сервиса. В частности, жанр pop является безусловным лидером, что подчеркивает его универсальную природу и охват широкого круга слушателей. В противоположность этому, менее распространенные жанры, такие как ambient и classical, занимают незначительную долю, что отражает их ориентацию на более узкую и специфическую аудиторию.
На втором графике представлена тепловая карта, демонстрирующая взаимосвязь между звуковыми атрибутами композиций и их востребованностью. Анализ графика показывает, что такие параметры, как энергия и танцевальность, тесно связаны с успехом треков. Это свидетельствует о том, что динамичная и ритмичная музыка имеет больше шансов стать популярной. В то же время, темп демонстрирует слабую взаимосвязь, подразумевая, что скорость не играет решающей роли в популярности.
В заключение, данный график помогает определить ключевые звуковые характеристики, влияющие на успех композиций.
Диаграмма визуализирует средний уровень популярности музыкальных треков в разрезе жанров в виде вертикальных столбцов. Из графика следует, что «pop-film» и «K-pop» демонстрируют высокую среднюю востребованность, что свидетельствует об их успехе у аудитории. Жанры «sertanejo» и «pop», напротив, имеют более низкие показатели, указывая на их специфическую направленность.
На диаграмме представлена точечная диаграмма с линией тренда, демонстрирующая, как энергичность музыкальных композиций влияет на их популярность. Прослеживается прямая зависимость между энергичностью и популярностью. Композиции с высоким уровнем энергии (например, от 0.8 до 1.0) имеют тенденцию к большей популярности, чем менее энергичные треки. Линия тренда подтверждает эту закономерность, указывая на то, что энергичная музыка имеет больше шансов стать хитом.
Следовательно, при создании потенциального хита, рекомендуется насытить его динамикой и энергией.
Представленные визуализации взаимосвязаны и обеспечивают всестороннее понимание тенденций в музыкальной сфере: Определение доминирующих жанров в каталоге Spotify, выявление атрибутов, способствующих успеху треков и исследование, почему энергичные композиции чаще становятся хитами.
Для работы были использованы изображения, сгенерированные в Recraft со стилем Translucent Gossamer, чтобы создать изображения к данной тематике исследования. Также использовала GPT для помощи в анализе данных, просила рассказать как можно проанализировать данные.
Промпты: Futuristic music concert, glowing stage with neon purple and red lights, black background, dynamic composition, high detail, modern music experience. 3D headphones, high resolution, detailed, realistic, black background, neon accents. 3D musical notes, glowing neon lights, abstract design, black background, futuristic style. 3D Columns, glowing neon lights, abstract design, black background, futuristic style. 3D Microphone (dynamic, condenser), glowing neon lights, abstract design, black background, futuristic style. 3D Violin, glowing neon lights, abstract design, black background, futuristic style. 3D Drums, glowing neon lights, abstract design, black background, futuristic style. 3D Synthesizer, glowing neon lights, abstract design, black background, futuristic style.
help with the analysis of a large dataset based on
Ссылка на GPT: https://openai.com/index/gpt-4/ Ссылка на Recraft: https://www.recraft.a
Список источников
Spotify Tracks Dataset [Электронный ресурс]. URL: https://www.kaggle.com/datasets/maharshipandya/-spotify-tracks-dataset?resource=download (дата обращения: 23.03.2025).
