|
|
本帖分析的榜单数据来源于Billboard官网，通过Python爬虫爬取，具体见此篇文章：基于Python爬虫获取Billboard榜单数据 - 知乎 (zhihu.com)。
曲目特征数据通过Spotify Api接口获取，采用python的pandas和matplotlib模块分析数据并实现结果可视化。
本文先把分析结果放出来，后续会介绍具体操作流程。
数据样本：共计200首曲目
https://www.billboard.com/charts/greatest-billboards-top-songs-80s/ 1980s单曲榜
https://www.billboard.com/charts/decade-end/hot-100/ 2010s十年榜
Spotify歌单地址:
https://open.spotify.com/playlist/05wgkugH2N9a2zeDl76s7C 1980s单曲榜
https://open.spotify.com/playlist/3TiuCQ2oO1S9HcS2oYgHON 2010s十年榜
一、分析维度
通过Spotify Api接口，我们能获取到以下曲目特征：
- Popularity：流行度，描述曲目在Spotify的流行程度，值介于0到100之间
- Acousticness: 原声程度，值介于0到1之间，代表音轨中所含非电子音程度
- Danceability: 可舞性，值介于0到1之间，根据节奏的稳定性、节拍强度来衡量曲目是否适合跳舞
- Duration_ms: 音轨时长，单位毫秒
- Energy: 冲击感，值介于0到1之间，代表对音乐强度与节奏的感知，该值越高代表音乐听起来越快节奏，大声且嘈杂
- Liveness: 现场感，值介于0到1之间，大于0.8代表现场录音的可能性较大
- Loudness: 响度，单位分贝
- speechiness: 语音比例，检测音轨中语音的存在。音轨越像语音(如脱口秀、有声读物、诗歌)，值越接近1。
- tempo: 每分钟节拍数（BPM）
- valence: 情绪效价(心理学概念)，值介于0到1之间，该值越高表示音乐给人的感受更正向，积极
二、数据处理
将以上几个概念作为我们的分析维度，在分析开始之前需要对数据进行处理。例如像曲目时长的单位是毫秒，我们要将它转换成秒。同时还要对数据进行标准化，采用min-max法也叫离差标准化，对原始数据进行线性变换，使结果映射到[0,1]区间。
三、分析结果
将数据标准化后，利用matolotlib绘制概率分布图，实现数据可视化。以下是分析结果：
绿色分布是1980s的曲目，红色则是2010s。
根据结果，我们发现80年代和上个十年最大的不同在于曲目的情绪效价，80年代集中分布偏右，而10年代明显偏左。这可能说明10年代相比80年代，榜单上出现了更多消极、悲观、颓废的歌曲（个人猜测是电子舞曲和黑人说唱流行导致的，没有贬低的意思）。
在可舞性方面，两个十年的分布均偏右，但10年代的分布相对更为集中，这说明可舞性低的曲目出现在榜单上的几率变小了。
在响度方面，10年代的分布明显较偏右，个人觉得这可能跟录音设备的发展有关，有没有懂哥来解释下。
其他特征方面，两个十年并没有明显不同。 |
|
发表于 2022-11-10 19:25:18