Вводная часть:
Тема: Анализ того, как музыкальные характеристики влияют на популярность треков на примере Spotify.
Цель: Выявить какие аудио-характеристики треков чаще всего встречаются у популярных песен, а также сравнить их между жанрами.
Инструменты: Python Pandas — анализ и обработка данных Matplotlib — визуализация данных Jupiter Notebook Chat GPT — помощь в анализе и формулировке выводов.
Период загрузки данных: 2024 год (датасет содержит агрегированные данные треков Spotify без привязки к конкретным датам релиза)
Данные полезны для:
- Понимания, какие характеристики музыки чаще связаны с высокой популярностью
- Оптимизации рекомендаций и плейлистов анализ жанровых различий для маркетинговых стратегий
- Поддержки решений в музыкальном продюсировании и продвижении артистов
Я сделала 4 типа графики: Горизонтальная столбчатая диаграмма Гистограмма распределения Точечная диаграмма (scatter plot) Boxplot (диаграмма размаха)
Этапы работы:
1. Загрузка и первичный осмотр данных
2. Очистка и подготовка датасета
3. Проведение описательного анализа
4. Построение визуализаций
График 1 — editorial bar chart
График 2 — Histogram
График 3 — Scatter
График 4 — Bubbles
Использованные статистические методы:
Описательная статистика Группировка данных Анализ распределений Межквартильный размах Визуальный анализ корреляций
Стиль и визуализация «Spotify minimal dark»
Стиль вдохновлён интерфейсом Spotify и современными digital-отчётами
— минималистичные формы — отсутствие визуального шума — фокус на данных — единая визуальная логика — инфографический подход
Описание применения генеративной модели:
В рамках проекта использовалась генеративная модель ChatGPT для:
— генерации кода анализа данных — помощи в интерпретации визуализаций — создания текстов
Код и текст визуального исследования были частично сгенерированы и адаптированы с помощью ChatGPT https://chatgpt.com/
