Original size 480x720

Анализ Spotify

PROTECT STATUS: not protected
This project is a student project at the School of Design or a research project at the School of Design. This project is not commercial and serves educational purposes

Введение

В данном проекте проводится анализ датасета kaggle, содержащего информацию о музыкальных треках и артистах Spotify. Цель анализа — понять, какие факторы связаны с популярностью треков, а также выявить общие закономерности в данных.

Основные исследовательские вопросы:

Как распределяется популярность треков?

Связана ли популярность артиста с популярностью его треков?

Отличается ли длительность explicit и clean-треков?

Меняется ли средняя популярность треков со временем?

2. Описание данных

2.1 Состав датасета

Датасет содержит следующие ключевые признаки:

track_popularity — популярность трека (0–100)

artist_popularity — популярность артиста (0–100)

artist_followers — количество подписчиков артиста

track_duration_min — длительность трека в минутах

explicit — наличие нецензурного контента

album_release_date — дата релиза

artist_genres — жанры артиста

2.2 Подготовка данных

Перед анализом были выполнены следующие шаги предобработки:

приведение названий колонок к snake_case

преобразование типов данных

парсинг дат релиза и извлечение года

очистка и упрощение жанров

проверка и обработка пропусков df.isna ().mean ().sort_values (ascending=False).head (10)

Визуальный стиль проекта

Для всех графиков используется единый визуальный стиль, вдохновлённый айдентикой Spotify:

Основной цвет: #1DB954 (Spotify Green)

Фон: тёмный (#0b0f0e)

Сетка: пунктирная, нейтральная

Подписи: приглушённый серый цвет

Анализ данных и визуализация

График 1. Топ-12 артистов по числу подписчиков

Original size 2000x1200

Тип графика: горизонтальная столбчатая диаграмма (barh)

Для анализа были выбраны артисты с наибольшим количеством подписчиков. Для каждого артиста оставлено одно максимальное значение (drop_duplicates).

top_artists = ( df.dropna (subset=[«artist_name»,"artist_followers»]) .sort_values («artist_followers», ascending=False) .drop_duplicates («artist_name») .head (12)

Интерпретация: График позволяет наглядно сравнить лидеров Spotify по количеству подписчиков и увидеть сильную концентрацию аудитории у топ-артистов.

График 2. Распределение популярности треков

Original size 2000x1200

Тип графика: гистограмма

pop = df[«track_popularity»].dropna ()

На графике отображается форма распределения популярности треков.

Интерпретация:

Распределение асимметрично

Большинство треков имеет среднюю популярность

Значения близкие к 100 встречаются значительно реже

Используются описательные статистики: среднее и медиана.

График 3. Связь популярности артиста и трека

Original size 2000x1200

Тип графика: scatter plot + линейная аппроксимация Метод: корреляция Пирсона

corr = s[«artist_popularity»].corr (s[«track_popularity»])

Интерпретация:

Наблюдается положительная линейная связь

Более популярные артисты в среднем выпускают более популярные треки

Однако разброс значений остаётся значительным

Важно: корреляция не означает причинно-следственную связь.

График 4. Длительность трека и explicit-контент

Original size 1700x1200

Тип графика: boxplot (сравнение распределений)

g0 = tmp.loc[tmp[«explicit»] == False, «track_duration_min»] g1 = tmp.loc[tmp[«explicit»] == True, «track_duration_min»]

Интерпретация:

Explicit-треки имеют немного большую медианную длительность

Разброс длительностей у explicit-треков выше

Для повышения читаемости выбросы скрыты (showfliers=False)

График 5. Средняя популярность по году релиза

Original size 2000x1200

Тип графика: линейный график Метод: groupby + mean

yearly = ( df.groupby («release_year»)[«track_popularity»] .mean () .sort_index () )

Интерпретация:

Видна динамика средней популярности треков

Можно наблюдать изменения музыкального рынка со временем

График отражает общие тренды, а не отдельные хиты

Используемые статистические методы

Описательная статистика: mean, median

Корреляция Пирсона: линейная связь между признаками

Сравнение распределений: boxplot (медиана + IQR)

Groupby-агрегации: средние значения по годам

Общие выводы

В результате анализа можно сделать следующие выводы:

Популярность треков имеет асимметричное распределение

Популярность артиста положительно связана с популярностью его треков

Explicit-контент связан с немного большей длительностью треков

Средняя популярность треков меняется со временем

Проект демонстрирует возможности exploratory data analysis и визуального анализа для изучения музыкальных данных.

Возможные направления расширения

Анализ Spotify
Project created at 29.12.2025
brnd
For us, a startup is a creative and innovative project with great potential for growth. We are dedicated to finding the best projects and helping them refine their concept, develop branding, and create effective promotion strategies. We also invest in production and replication to ensure their success. Are you ready to take your business to the next level? Join our startup incubator program and let us help you grow.
Brand accelerator
Startup ideas
Marketplace shops
We use cookies to improve the operation of the website and to enhance its usability. More detailed information on the use of cookies can be fo...
Show more