5万余首圣诞歌词数据包+Kaggle数据科学家的脑洞=？（附数据包+代码）

作者：eoda GmbH

编译：大山、ShanLIU、Harry

昨天在python给你的圣诞帽上意犹未尽的动手党（点击查看相关文章），今天的话题依然和圣诞节有关。

前几天，文摘菌发现了一个Kaggle上的圣诞歌曲数据礼包。这里有你能想到所有的圣诞歌曲，总计超过5万首。而Kaggle上的数据科学家用各种方式要把它们玩儿坏了，一起看看有哪些有趣的结论！

又是圣诞节，有没有被大街小巷的圣诞歌曲洗耳朵？有没有想过这些圣诞歌曲到底有什么魔力？他们的歌词又有什么共同点？

我们把所有跟圣诞有关的歌曲都打包起来，总计超过5万首歌曲。在这篇文章里，文摘菌将首先用朴素贝叶斯对这些歌曲文本进行全面分析，来快速识别出，到底什么样的歌曲才能被成为真正意义上的圣诞歌曲。

之后，我们还可以一起看看，kaggle上的数据科学家用这个数据包分析出了的这些有趣的结论：

• 与圣诞关系最密切的歌词TOP20；

• 圣诞歌产量最高的歌手TOP20；

• 圣诞歌词中，什么样的双音节词最受欢迎？

这个数据集取自55000多段歌词，同时涵盖了超过55000首歌曲。你能想到的全都有，包括Jinglebell ：）如下：这是一个有55000多行和4列的数据框：

• 艺术家

• 歌曲

• 链接

• 文本

我们的目标是对歌曲文本进行全面分析，帮助我们快速识别出圣诞歌曲。为此，我们首先在数据框中添加一个额外的列，给每首歌曲一个“圣诞”或“非圣诞”的标签，也就是歌词中包含“Christmas”，“Xmas”或“X-mas”的歌曲将被标记为“圣诞”，不包含的则标成“非圣诞”。

这还只是标签的初始化，我们之后会将朴素贝叶斯应用于一组训练集以识别其他圣诞歌曲。但现在，我们将通过一些直观的描述性方法来探索数据集。看看会得到一些什么有趣的结果。

<