Kaggle | 全球听众最多的50首歌曲
@Author：by Runsen
原文：https://maoli.blog.csdn.net/article/details/104478457
Spotify是全球听众最多的50首歌曲
数据集摘要：Spotify在2019年收听的前50首歌曲
链接：https://www.kaggle.com/leonardopena/top50spotify2019
Spotify： （Spotify：声田 是一个正版流媒体音乐服务平台，2008年10月在瑞典首都斯德哥尔摩正式上线。Spotify提供免费和付费两种服务，免费用户在使用Spotify的服务时将被插播一定的广告，付费用户则没有广告，且拥有更好的音质。
2017年12月8日，Spotify与腾讯公司及腾讯旗下的腾讯音乐娱乐集团联合宣布股权投资，加强这两家全球最受欢迎的数字音乐平台的关系。2018年4月3日，Spotify登录纽交所，成为首家“直接上市”的公司 [。2018年8月8日，华纳音乐集团宣布，集团已经出售了此前所持流媒体音乐服务提供商Spotify的全部股份。2018年12月，世界品牌实验室发布《2018世界品牌500强》榜单，Spotify排名第378。2019年10月，Interbrand发布的全球品牌百强榜排名92 。
名称 | Graduate Admission |
|---|---|
特征简介 | **Track.name：**曲目的名称**艺术家姓名：**艺术家姓名曲目类型每分钟的节奏**能量：**一首歌的能量-值越高，能量越大。歌曲**舞蹈性：**舞蹈性越高，就越容易跟着这首歌跳舞。**响度：**dB值越高，歌曲越响。**活性：**活性值越高，歌曲越有可能是现场录制的。**价格：**价值越高，歌曲的积极情绪就越强。**长度：**歌曲的持续时间。**音质：**值越高，歌曲的音质越好。**言语：**价值越高，歌曲包含的口语词越多。**流行：**歌曲价值越高越受欢迎。 |
记录数 | 50 |
分析目标 | 分析Spotify在2019年收听的前50首歌曲 |
分析思路及方法 | 最有活力的歌是什么？哪首歌最具舞蹈性？哪首歌更响亮？哪首歌最活泼？哪首歌最长？哪首歌最流行？ |
一、简介
该数据集包括23486行和10个特征变量。每行对应一个客户评论，并包含以下变量：
- Track.name：曲目的名称
- 艺术家姓名：艺术家姓名
- 曲目类型
- 每分钟的节奏
- 能量：一首歌的能量-值越高，能量越大。歌曲
- 舞蹈性：舞蹈性越高，就越容易跟着这首歌跳舞。
- 响度：dB值越高，歌曲越响。
- 活性：活性值越高，歌曲越有可能是现场录制的。
- 价格：价值越高，歌曲的积极情绪就越强。
- 长度：歌曲的持续时间。
- 音质：值越高，歌曲的音质越好。
- 言语：价值越高，歌曲包含的口语词越多。
- 流行：歌曲价值越高越受欢迎。
中文名称 | 英文名称 |
|---|---|
曲目的名称 | Track.name |
艺术家姓名 | Artist.Name |
曲目类型 | Genre |
每分钟的节奏 | Beats.Per.Minute |
能量 | Energy |
舞蹈性 | Danceability |
响度 | Loudness..dB.. |
活性值 | Liveness |
价格 | Valence. |
长度 | Length. |
音质 | Acousticness.. |
口语词 | Speechiness. |
流行 | Popularity |
二、数据读取
1、数据处理环境
pandas：pandas是基于NumPy的一种工具，该工具是为了解决数据分析任务而创建的。Pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
Matplotlib：Matplotlib就是Python绘图库中的佼佼者，它包含了大量的工具，你可以使用这些工具创建各种图形（包括散点图、折线图、直方图、饼图、雷达图等），Python科学计算社区也经常使用它来完成数据可视化的工作。
Seaborn：Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。
2、数据读取方法
pandas库支持csv和excel的操作；使用的是pd.read_csv的函数
导入numpy,seaborn``matplotlib和pandas读取Womens Clothing E-Commerce Reviews.csv
参数：index_col=0——第一列为index值
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
df= pd.read_csv('top50.csv', encoding='cp1252')
df.rename(columns={'Track.Name':'track_name','Artist.Name':'artist_name','Beats.Per.Minute':'beats_per_minute','Loudness..dB..':'Loudness(dB)','Valence.':'Valence','Length.':'Length', 'Acousticness..':'Acousticness','Speechiness.':'Speechiness'},inplace=True)
查看df.head
查看df.info
从df.info可以看出并没有缺失数据,50个数据都具有完整性
查看df.describe().T
数据中的Length,Per.Minute,Valence的std标准差都比较大，说明数据分布不均匀
三、 数据分析
1、最有活力的歌是什么？
只需要简单通过np.max()方法来去除Energy最大的歌曲
df[df.Energy == np.max(df.Energy)]
我们可以从图片看出：最有活力的歌是Never Really Over，作者是凯蒂·佩里（Katy Perry），美国流行女歌手、
2、哪首歌最具舞蹈性？
df[df.Danceability == np.max(df.Danceability)]
我们可以从图片看出：最具舞蹈性是Talk，作者是Khalid
3、哪首歌更响亮？
df[df['Loudness(dB)'] == np.max(df['Loudness(dB)'])]
我们可以从图片看出：最具响亮，dB值最高的是Otro Trago - Remix和One Thing Right
4、哪首歌最活泼？
df[df['Liveness'] == np.max(df['Liveness'])]
我们可以从图片看出：最活泼是One Thing Right
5、哪首歌最长？
df[df['Length'] == np.max(df['Length'])]
我们可以从图片看出：最长是No Me Conoce - Remix
6、哪首歌最流行？
df[df['Popularity'] == np.max(df['Popularity'])]
我们可以从图片看出：最流行的是bad guy
四、图表绘制
1、艺术家姓名的词云图
from matplotlib import pyplot as plt
from wordcloud import WordCloud, STOPWORDS
string=str(df.artist_name)
wordcloud = WordCloud(stopwords=STOPWORDS,
background_color='white',
width=1000,
height=1000).generate(string)
plt.figure(figsize=(10,8))
plt.imshow(wordcloud,interpolation='bilinear')
plt.axis("off")
plt.show()
2、曲目类型的词云图
from matplotlib import pyplot as plt
from wordcloud import WordCloud, STOPWORDS
string=str(df.Genre)
wordcloud = WordCloud(stopwords=STOPWORDS,
background_color='white',
width=1000,
height=1000).generate(string)
plt.figure(figsize=(10,8))
plt.imshow(wordcloud,interpolation='bilinear')
plt.axis("off")
plt.show()
pop，dance流行歌曲占了很大的比重
3、最流行的曲目名称词云图
from matplotlib import pyplot as plt
from wordcloud import WordCloud, STOPWORDS
string=str(df.track_name)
wordcloud = WordCloud(stopwords=STOPWORDS,
background_color='white',
width=1000,
height=1000).generate(string)
plt.figure(figsize=(10,8))
plt.imshow(wordcloud,interpolation='bilinear')
plt.axis("off")
plt.show()
4、绘制数据分布趋势折线图
import matplotlib
from matplotlib import pyplot as plt
matplotlib.style.use('ggplot')
df.plot(figsize=(20,10))
5、绘制数据分布密度分布图
df.plot(kind='density',figsize=(20,10))
6、绘制不同类型歌曲的总和柱状图
plt.figure(figsize=(20,10))
sns.countplot(df['Genre'])
plt.show()
7、绘制不同歌手的歌的数量总和柱状图
singers = df["artist_name"].value_counts()
plt.figure(figsize=(20,10))
singers.plot.bar()
plt.xlabel("Singers")
plt.ylabel("# of Songs")
plt.title("The # of songs each singer has")
plt.show()
8、绘制不同的歌手受欢迎柱状图
singer_popularity = (
df.groupby("artist_name")["Popularity"].sum().sort_values(ascending=False)
)
plt.figure(figsize=(20,10))
singer_popularity.plot.bar()
plt.xlabel("Singers")
plt.ylabel("Total popularity")
plt.title("Total popularity each singer has")
plt.show()
9、绘制不同类型歌曲受欢迎程度的柱状图
genre_popularity = (
df.groupby("Genre")["Popularity"].sum().sort_values(ascending=False)
)
plt.figure(figsize=(20,10))
genre_popularity.plot.bar()
plt.xlabel("Genres")
plt.ylabel("Total popularity")
plt.title("Total popularity each genre has")
plt.show()
10、绘制跳舞能力和受欢迎关系的散点图
plt.figure(figsize=(20,10))
plt.scatter("Danceability", "Popularity", data=df.sort_values(by=["Danceability"]))
plt.title("The relationship between danceability and popularity")
plt.xlabel("Danceability")
plt.ylabel("Popularity")
plt.show()
11、绘制响度和流行度关系分布散点图
plt.figure(figsize=(20,10))
plt.scatter(
"Loudness(dB)", "Popularity", data=df.sort_values(by=["Loudness(dB)"])
)
plt.title("The relationship between dB and popularity")
plt.xlabel("Loudness(dB)")
plt.ylabel("Popularity")
plt.show()
12、绘制活泼和受欢迎关系分布散点图
plt.figure(figsize=(20,10))
plt.scatter("Liveness", "Popularity", data=df.sort_values(by=["Liveness"]))
plt.title("The relationship between liveness and popularity")
plt.xlabel("Liveness")
plt.ylabel("Popularity")
plt.show()
五、模型建立
该模型属于预测模型，**流行： **Popularity作为y的label
其他数据作为x变量，预测出歌曲是否流行，流行度如何
1、清理数据
删除无用Unnamed: 0数据
df.drop(columns=['Unnamed: 0'],inplace=True)
将Genre进行One-HOT编码，因为Genre是字符串，无法进行处理
from sklearn.preprocessing import LabelEncoder
label = LabelEncoder()
df.Genre = label.fit_transform(df.Genre)
2、建立X，Y
X = df[['Genre', 'beats_per_minute', 'Energy', 'Danceability',
'Loudness(dB)', 'Liveness', 'Valence', 'Length', 'Acousticness',
'Speechiness']]
y = df.Popularity
3、划分数据集和缩放数据
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.3,random_state=42)
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
4、线性模型
线性模型是一类统计模型的总称，制作方法是用一定的流程将各个环节连接起来
导入sklearn.linear_model中的LinearRegression
模型评估：在常用的回归评估指标包括：
- r2_score
- explained_variance_score
这里使用的是r2_score
R2 决定系数（拟合优度）
模型越好：r2
→1
模型越差：r2→0
from sklearn.linear_model import LinearRegression
# Creating the object
regressor = LinearRegression()
# Fit the model.
regressor.fit(X_train, y_train)
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)
# Predicting the test results.
y_pred = regressor.predict(X_test)
# Checking the predictions.
y_pred
from sklearn.metrics import r2_score
print("r_square score: ", r2_score(y_test,y_pred))
腾讯云开发者
