Исходный размер 1140x1600

Анализ данных и визуализация. Популярность треков на Spotify

Введение

Для анализа я взяла информацию о популярности треков на стримминговой платформе Spotify. Мне было интересно изучить, какие факторы и музыкальные характеристики песни влияют на нее рейтинг среди слушателей. В датасете 114000 рядов с композициями и 20 колонок с их характеристиками. В качестве визуализации были выбраны гистограммы, так как они наглядно демонстрируют соотношения песен разных категорий, и диаграммы рассеивания, так как они позволяют показать, где сосредоточена основная масса треков. Данные были взяты с ресурса Kaggle.

Описание применения генеративной модели

При обработке данных я обращалась к ChatGPT, чтобы найти операции, позволяющие отформатировать информацию и сделать ее удобной для построения графиков. Промпты приведены ниже.

Обложка проекта была сгенерирована с помощью Leonardo.AI. Промпт: «‎simply drawn group of people dancing surrounded by some musical elements — sound waves, notes in green white and black colors»‎

Этапы работы

Подготовка данных

Я импортировала библиотеки, необходимые для создания графиков. Затем я перевела длительность треков из миллисекунд в секунды и убрала колонки, обратившись к ChatGPT. Промпт: «как убрать колонки из pandas dataframe».

Исходный размер 635x262

Далее я закодировала данные, обратившись к ChatGPT. Промпт: «как заменить хеши id на цифры в pandas dataframe». В данных нет пропусков, которые могут повлиять на дальнейший анализ, поэтому на этом подготовительный этап закончился.

Исходный размер 636x436
Исходный размер 1538x662

Построение графиков

Для графиков я выбрала черный цвет и оттенки зеленого, так как это цветовая гамма, используемая Spotify.

Исходный размер 763x86

Объектом исследования я выбрала факторы, влияющие на популярность трека. Сначала я построила график распределения популярности среди всех треков.

Исходный размер 764x106
Исходный размер 580x463

Из графика можно сделать вывод, что большая часть значений сосредоточена около 0 и значительно уменьшается при приближении к 100, следовательно при дальнейшем анализе нужно учитывать, что треков с высокой популярностью предельно мало и они могут быть случайностями.

Далее я рассмотрела взаимосвязь популярности трека и его длительности.

Исходный размер 935x97
Исходный размер 591x463

График показывает, что большая часть треков находится в пределах от 0 до 10 минут, а наиболее популярны треки с длительностью от 2 до 6 минут.

Затем я проанализировала связь популярности песни и наличия в ней вокальных партий. Песни со значением «1.0»‎ являются инструментальными и не имеют вокальных партий.

Исходный размер 1040x89
Исходный размер 581x463

Я пришла к выводу, что почти все песни с популярностью выше 80 имеют вокал.

Далее я рассмотрела зависимость популярности трека от его музыкального размера.

Исходный размер 1053x89
Исходный размер 581x463
Анализ данных и визуализация. Популярность треков на Spotify
Елена Кондрашова провела анализ данных о популярности треков на Spotify и создала визуализацию для выявления влияния музыкальных характеристик на рейтинг песен. Проект включает гистограммы и диаграммы рассеивания, построенные на основе датасета с 114000 треками, полученного с Kaggle.
Описание проекта сделано с помощью ИИ
Проект создан 25.09.2024
Другие проекты c тегом искусственный интеллект
Алиса Акимова провела анализ данных о рынке недвижимости России в 2021 году, создав презентацию с графиками и выводами. В работе использовалась генеративная модель для стилизации графиков, что добавило визуальной привлекательности результатам анализа.
Зоя Макурина проанализировала национальные составы k-pop групп, используя данные с сайта kaggle и создав несколько визуализаций для отображения результатов. Проект включает круговые и столбчатые диаграммы, а также график, построенные с использованием палитры из пяти основных цветов и шрифта Dejavu Serif.
Мария Овчарова провела анализ кассовых сборов фильмов, используя данные из открытых источников и методы машинного обучения. Проект включает визуализацию топ-10 кассовых фильмов и выявление наиболее прибыльных жанров на основе статистики.
Дмитрий Сергиенко провел анализ героев в League Of Legends, используя данные из Kaggle и визуализацию в Google Collab. Проект включает в себя столбчатые диаграммы, боксплоты и другие графики, выполненные в едином цветовом стиле #ADD8E6.
dafes
DAFES — платформа, объединяющая лучшие проекты и продукты экосистемы по направлениям design, art, fashion, education и startup. Внутри неё действует сообщество Deziiign, которое объединяет дизайнеров, художников, иллюстраторов и фотографов — профессионалов всех творческих направлений. Это пространство для демонстрации работ, обмена идеями и неординарными подходами, а также встреч с потенциальными заказчиками, исполнителями и па... Показать больше
design
art
fashion
education
startups
Мы используем файлы cookies для улучшения работы сайта и большего удобства его использования. Более подробную информац...
Показать больше