Original size 1140x1600

Феномен музыкального долголетия: анализ треков-«долгожителей»

PROTECT STATUS: not protected

Феномен музыкального долголетия: Анализ треков-«долгожителей» в чартах Spotify

Описание проекта

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.

big
Original size 4352x1088

Midjourney

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».

big
Original size 4352x1088

Midjourney

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.

Original size 2892x727

Цветовая палитра, использованная в проекте

Ключевые вопросы исследования

  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?

Анализируемые аудио-характеристики

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

Original size 4352x1088

Midjourney

Этапы работы

Импорт библиотек и настройка

Original size 3000x1291

Загрузка и предобработка данных

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.

Original size 3000x1194

Узнаем тип данных каждого признака

Original size 3000x1698
Original size 3000x2896

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

Original size 3000x2833

Теперь обработаем данные

Original size 3000x1207

Данные обработаны. Проведем быструю проверку на корректность данных

Original size 3000x1207
Феномен музыкального долголетия: анализ треков-«долгожителей»
Project created at 14.10.2025
We use cookies to improve the operation of the website and to enhance its usability. More detailed information on the use of cookies can be fo...
Show more