Звук эпохи

Музыкальные чарты — это коллективный портрет вкуса. То, что миллионы людей слушали в каждый конкретный год, складывается в историю не только музыки, но и культуры: смены поколений, настроений, технологий звукозаписи.

Мне было интересно решить это как дизайнерскую задачу: перевести нечто настолько неосязаемое, как звучание эпохи, в визуальный язык цвета и формы. Именно этот вызов — сделать видимым то, что обычно только слышат — и стал причиной выбора темы.

Главное открытие, которое рассказывают данные — это драматичная смена власти в музыке. R&B и соул правили в 1960-х и начале 1970-х. Рок захватил конец 70-х и все 80-е, достигнув пика в 65% всех песен чарта в 1984 году. А с середины 1990-х начинается неудержимое восхождение хип-хопа: от едва заметного 1% в 1990 году до 69% в 2018-м. Хип-хоп не просто стал популярным — он доминирует в чартах дольше и сильнее, чем любой жанр до него.

Цель инфографики — показать, что история популярной музыки циклична и драматична, и что эта история считывается прямо из открытых данных.

Польза проекта культурно-аналитическая: зритель видит закономерность, которую обычно не замечает, слушая отдельные песни — что музыкальная мода движется большими волнами, и каждое поколение живёт внутри своей волны. Это помогает иначе взглянуть и на собственные вкусы, и на музыку, которую слушают младшие или старшие.

Источник данных: датасет «Billboard Hot 100 Audio Features» (автор Sean Miller), опубликованный на Kaggle. Датасет объединяет официальные чарты Billboard Hot 100 с жанровой и аудио-классификацией из Spotify Web API.

Ссылка: https://www.kaggle.com/datasets/thedevastator/billboard-hot-100-audio-features Зеркало с открытым доступом (проект TidyTuesday, rfordatascience): https://github.com/rfordatascience/tidytuesday/tree/master/data/2021/2021-09-14

Состав датасета: два связанных файла из одного источника — чарты по неделям (позиции песен) и аудио-характеристики с жанрами (колонка spotify_genre). Файлы объединяются по ключу «песня + исполнитель».

В отличие от многих тем, где данные приходится собирать из разрозненных источников, здесь весь проект построен на одном датасете. Это методологическое преимущество: данные внутренне согласованы.

Датасет состоит из двух файлов одного источника: чарты Billboard (песня, исполнитель, неделя, позиция) и характеристики Spotify (та же песня с жанрами). Я объединила их по ключу «песня + исполнитель», определив для каждой песни год её первого появления в чарте и её жанры.

Поскольку Spotify присваивает каждой песне несколько узких жанров (например, «east coast hip hop», «pop rap», «southern hip hop»), я сгруппировала их в семь крупных семейств: поп, рок, хип-хоп/рэп, R&B/соул, кантри, танцевальная/электро и прочее. Группировка проводилась по ключевым словам в названиях жанров. Песни без указанного жанра (8,7%) были исключены из подсчёта долей. Затем для каждого года я посчитала долю каждого семейства жанров среди всех песен этого года и определила доминирующий жанр.

Используемые инструменты

Обработка данных: Python (разбор CSV, объединение файлов, группировка жанров, подсчёт долей). Альтернативно те же операции выполнимы в Google Sheets, но из-за объёма (354 тысячи строк чартов) было отдано предпочтение программной обработке.

ИИ-инструменты: Claude использовался для поиска и верификации датасета, проектирования пайплайна обработки и финальной редактуры текста.

Дизайн: Figma — финальная вёрстка постера и обложки. Photoshop — создание мокапов.