Анализ песен Blur в данных
Почему Blur?
Blur — легендарная британская поп группа с начала 90-х. Группа известна тем, что за весь период существования она прошла несколько этапов: начиная с классического бритпопа и заканчивая более экспериментальным и альтернативным звучанием. Лично я в восторге от Blur и их песен, как из самых старых и самых поздних альбомов. Участники прошли долгий путь от бешеной активной молодости до спокойной глубокомыслящей зрелости, именно поэтому меня привлекает эта группа и именно поэтому я решила в своей работе проанализировать основные хиты Blur.
Для проекта было выбрано два музыкальный датасета: ClassicHit и Music Info с платформы Kaggle. Датасеты включают такие параметры, как исполнитель, год выхода, жанр, популярность, а также разные характеристики треков из Spotify: танцевальность, энергия, темп, громкость, акустичность и другие. Из общего массива данных я выделила группу Blur, что позволило сосредоточиться на анализе творчества одного исполнителя.
Дополнительно помимо анализирования числовых характеристик треков была я также поработала с визуальными образами — обложками альбомов (обложки альбомов были взяты из Википедии.) Это позволило связать музыку и визуальный стиль группы и использовать цвета альбомов как основу для стилизации графиков.
Итоговая палитра цветов
Для анализа данных я выбрала несколько типов графиков: Столбчатые диаграммы — для сравнения показателей (например, популярности или характеристик треков). Линейные графики — для отображения изменений музыкальных характеристик по годам и отслеживания динамики. Гистограммы — для изучения распределения значений (например, темпа или энергии). Цветовая палитра (на основе обложек альбомов) — как визуальный инструмент, формирующий единый стиль инфографики.
Этапы
Поиск датасета
Первым делом я полезла на платформу Kaggle в поиске нужного мне датасета.
1. подключение библиотеки Pandas 2. загрузка музыкального датасета 3. проверка структуры таблицы 4. выделение треков Blur
Первые типы графиков были без какого либо стиля и спрограммированы в стандартном стиле питона, поэтому следующим шагом я занялась стилизацией графиков и составлении цветовой палитры.
1. определение среднего уровня показателя energy по годам 2. сравнение музыкальных периодов по характеристикам
Палитра
Затем захотелось разобраться с палитрой для графиков и проекта в целом. Далее пошел долгий этап работы и не без помощи чата GPT удалось составить цветовую палитру для проекта.
Первым этапом я подключила библиотеки для работы с изображениями, массивами данных и кластеризацией и добавила в список нужные мне обложки группы Blur.
1. импорт библиотек 2. формирование списка обложек
Затем каждая обложка была загружена, приведена к RGB-формату и уменьшена для ускорения обработки. Пиксели изображений были преобразованы в числовой массив для последующего анализа.
Пиксели всех обложек были объединены в единый массив, содержащий цветовую информацию по всем изображениям.
1. подготовка контейнера данных 2. извлечение цветовых данных 3. сбор всех цветов
Для выявления наиболее часто встречающихся цветов была применена кластеризация методом KMeans. Количество кластеров соответствует числу доминирующих цветов палитры.
В результате кластеризации были получены центры кластеров, представляющие собой доминирующие цвета обложек в RGB-формате.
1. поиск доминирующих цветов 2. формирование цветовой палитры
Для удобства использования в визуализациях значения цветов были переведены из RGB в HEX-формат.
1. форматирование значений в RGB
Полученные доминирующие цвета были визуализированы в виде набора цветных маркеров для первичной проверки и оценки палитры.
На финальном этапе была построена компактная цветовая палитра, используемая в дальнейшем для стилизации всех графиков проекта.
1. предварительная визуализация палитры 2. финальное оформление палитры 3. получившийся результат
Формирование общего стиля на основе палитры
Я задала стиль графиков кодом, чтобы визуализация была частью исследования, а не постобработкой в редакторе. Это позволяет воспроизводить стиль автоматически и сохранять визуальную консистентность при работе с данными.
1. настраивание основного стиля. 2. определение цветовой палитры
Новый датасет
Затем мне показалось, что первый датасет содержит мало данных для изучения, поэтому я нашла еще один, где было побольше треков и данных, на основе которых можно было разнообразить графики. Однако в новом датасете отсутствовал параметр Popularity, поэтому некоторые графики созданы на основе только первого датасета.
1. подключение библиотеки Pandas 2. загрузка музыкального датасета 3. проверка структуры таблицы 4. выделение треков Blur
Обложка проекта
Последним этапом я сгенерировала обложку в Sora, совместив стиль обложки The Best of с понравившейся мне фотографией членов группы, попросив также нейросеть использовать мою основную палитру в итоговой иллюстрации.
Итоговые графики
Совокупность графиков позволяет проанализировать музыку Blur на уровне отдельных треков, общих характеристик, взаимосвязей параметров и изменений во времени.
Линейный график — Popularity vs Year
Что показывает: Изменение средней популярности треков Blur по годам.
Зачем нужен: Позволяет увидеть динамику интереса аудитории и периоды роста или спада популярности.
Столбчатая диаграмма — Популярность треков
Что показывает: Сравнение популярности отдельных песен Blur.
Зачем нужен: Помогает выявить самые известные треки и понять, какие композиции формируют общий успех группы.
Scatter plot — Energy vs Danceability
Что показывает: Соотношение энергетичности и танцевальности отдельных треков.
Зачем нужен: Позволяет оценить, связаны ли ритмичность и динамика музыки между собой, и увидеть разнообразие звучания.
Heatmap корреляций аудиохарактеристик
Что показывает: Корреляции между аудиохарактеристиками (energy, loudness, valence и др.).
Зачем нужен: Позволяет выявить скрытые взаимосвязи параметров и глубже понять структуру звучания музыки.
Radar chart — «звуковой портрет Blur»
Что показывает: Средние значения ключевых аудиохарактеристик группы.
Зачем нужен: Формирует обобщённый звуковой профиль Blur в одном визуальном образе.
Линейный график — Valence по годам
Что показывает: Изменение эмоциональной окраски песен Blur со временем.
Зачем нужен: Позволяет проследить эволюцию настроения музыки на разных этапах творчества.
Кольцевая диаграмма — Energy / Danceability / Valence
Что показывает: Соотношение средних значений ключевых характеристик.
Зачем нужен: Даёт общее представление о балансе ритма, энергии и эмоциональности в музыке группы.
Гистограмма — Темп песен
Что показывает: Распределение темпа песен Blur по диапазонам BPM.
Зачем нужен: Помогает понять, какие ритмические диапазоны наиболее характерны для группы.
Описание применения генеративной модели
Выводы