写在前面:圣诞刚过,弥留者节日气息的大家是否还在继续学习呐~在匆忙之际也不忘给自己找几首好听的歌曲放松一下,缠绕着音乐一起来看看关于2019年流行音乐趋势是如何用Python分析的吧!
昨天下午没事儿,随便听了下音乐,结果搜到了一份数据比较好玩,所以拿了来做个数据分享案例。
这份数据是由国外比较火的音乐软件spotify提供的,很有代表意义。
不过涉及到的指标都比较专业,我不是太懂,只能根据自己的理解去做分析,有懂音乐的朋友可以提出专业的看法。
这次的数据分析工具是Python,当然如果你Python不是很熟,用tableau也是可以的,做出的图还会更好看。
一、数据准备
1、导入数据
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from pyecharts import Bar,WordCloud,Pie,Line
%matplotlib inline
%config InlineBackend.figure_format = ‘svg’
df=pd.read_excel(r’C:\Users\Administrator\Desktop\top50.xlsx’)
df.head()
这些代码都是不需要思考的,只要打开Python做数据分析,你首先就写好,或者直接复制就行,我都是把常用代码保存好,要用的时候就调出来用,这样省时间。
列的名称都是英语,我借助了百度做了下翻译:
Track.Name-曲目;
Artist.Name-歌手;
Genre - 类型
Beats Per Minute (BPM) - 每分钟节拍,也就是节奏.
Energy - 能量 - 分数越高,代表能量就越大;
Danceability - 舞蹈性-分数越高,代表你越容易因歌而舞;
Loudness (dB) - 分贝-值越大,说明歌曲越响亮,反之则低沉;
Liveness -现场性-值越大,歌曲越有可能是现场录音的;
Valence - 情绪-值越大,情绪越激昂,反之越消沉;
lentgh-时长;
Acousticness -音质;.
Speechiness -语言-值越大,说明口语化程度越高;
Popularity -火热程度。
2、数据列的名称更改
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from pyecharts import Bar,WordCloud,Pie,Line
%matplotlib inline
%config InlineBackend.figure_format &#