Python分析盘点2019全球流行音乐：是哪些歌曲榜单占领了我们？

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 &#