Original size 1316x2008

«Как люди слушают музыку: анализ Spotify-треков»

PROTECT STATUS: not protected

Для анализа был выбран открытый датасет Spotify Tracks Dataset с платформы Kaggle. Он содержит информацию о тысячах музыкальных треков, включая их популярность и аудио-характеристики.

Почему эти данные интересны?

Музыка — одна из самых важных форм массовой культуры. Spotify ежедневно формирует музыкальные предпочтения миллионов людей, поэтому анализ этих данных позволяет понять, какие характеристики звука влияют на популярность треков.

Какие графики будут использованы и почему

• Гистограммы — для распределений • Линейные графики — для изменений со временем • Столбчатые диаграммы — для сравнения жанров • Scatter plot — для поиска взаимосвязей

Концепция

«Какие музыкальные характеристики делают трек популярным — и как менялось звучание музыки со временем?»

Этапы работы с данными

  1. Загрузка данных

import pandas as pd

df = pd.read_csv («spotify_tracks.csv») df.head ()

  1. Очистка данных

df = df.dropna () df = df[df['popularity'] > 0]

Что делали: • удалили пропущенные значения • исключили треки с нулевой популярностью

  1. Описательная статистика

df.describe ()

Использовано: • среднее • медиана • стандартное отклонение • квартили

Визуализация

0
1/4

График 1 — Распределение популярности треков (гистограмма)

Идея: большинство треков не становятся популярными

import matplotlib.pyplot as plt

plt.hist (df['popularity'], bins=30) plt.title («Распределение популярности треков») plt.xlabel («Популярность») plt.ylabel («Количество треков») plt.show () Вывод: популярность распределена неравномерно

График 2 — Изменение energy по годам (линейный)

energy_by_year = df.groupby ('year')['energy'].mean ()

plt.plot (energy_by_year) plt.title («Средний уровень энергии треков по годам») plt.xlabel («Год») plt.ylabel («Energy») plt.show ()

Вывод: современная музыка стала более энергичной

График 3 — Популярность по жанрам (столбчатая)

genre_popularity = df.groupby ('genre')['popularity'].mean ().sort_values (ascending=False).head (10)

plt.barh (genre_popularity.index, genre_popularity.values) plt.title («Самые популярные жанры») plt.xlabel («Средняя популярность») plt.show ()

Вывод: поп и хип-хоп лидируют

График 4 — Связь danceability и popularity (scatter plot)

plt.scatter (df['danceability'], df['popularity'], alpha=0.3) plt.title («Связь танцевальности и популярности») plt.xlabel («Danceability») plt.ylabel («Popularity») plt.show ()

Вывод: умеренная положительная корреляция

Стилизация

Стиль: • Ограниченная палитра (например: тёмно-синий + молочный) • Один шрифт (Montserrat / Inter / IBM Plex) • Светлый или тёмный фон — везде одинаковый

Пример:

plt.rcParams['font.family'] = 'Inter' plt.rcParams['axes.facecolor'] = '#F6F4EF' plt.rcParams['figure.facecolor'] = '#F6F4EF' plt.rcParams['text.color'] = '#1C1C1C'

Статистические методы

В проекте использовались:

• Описательная статистика • Группировка данных (groupby) • Среднее значение • Корреляционный анализ • Визуальный анализ распределений

«Как люди слушают музыку: анализ Spotify-треков»
Project created at 05.02.2026
adcr.dafes
The Art Directors Club of Russia sets the benchmark for creative excellence in design and advertising, serving as a central hub where industry professionals connect. Since 2004, the Club has hosted the ADCR Awards—a premier national competition celebrating creativity, design, and advertising. The core mission of the awards is to champion agencies and independent creators making their mark in the local market. By presenting this honor on behalf of the professional community, the Club reaffirms its endur... Show more
adcr advertising
adcr design
adcr students and young creators