数据科学是一门庞大的学科，它不断地扩展到新的行业，音乐产业就是其中之一。如果把这些应用程序当作一个“黑匣子”，可以观察到它的输入(数据)和输出(产品)。该项目旨在使用Python操作Spotify音乐数据，其范围有两个：
- 证明API(应用程序编程接口)的存在对于向算法提供超精细数据具有重要意义。
- 演示简单的统计数据(适当应用时)如何对日常行为进行编码，将其分解为基本要素，并在其基础上构建有价值的产品。
这个故事，最开始是为了调查音乐背后的统计数据，最后发现方程式背后也有“音乐”……
概念
假设一个情景。作为一名数据科学家，笔者工作的数据公司(Data Corp)记录了青年营销部门获得的可观利润，因此公司决定举办聚会犒劳年轻的客户。
在没有DJ的情况下，主管让笔者负责音乐，让派对持续到早上!她给了笔者一些Spotify播放列表，让笔者最终选定并创建一个。然而，忽视现代音乐趋势让笔者遇到一个棘手的问题。
使用Python访问所有播放列表，提取每个曲目的每个音频特征进行统计分析，并将最适合(派对)的曲目包装到最终的播放列表中，如何?当然，这里有一个技术性的问题：一个节拍也听不到!
为了更好地传达结果，假定：
#1：个人Spotify播放列表代表的是公司给笔者的。
#2：该聚会的目标群体是18至30岁的年轻人，这意味着……跳舞!然而，他们中的许多人可能会有家人陪伴，也就是说，一小部分客人会更好地享受到欢快的音乐。
#3：在音频特性中，Spotify只考虑了 danceability, energy, tempo, loudness & valence (见第2节)。那是因为，它们能更好地表达一首曲子是否适合一个舞会。
#4：改进所选播放列表的方法有两种：删除或添加分别被视为“坏”或“好”(涉及一个或多个音频特征)的曲目。笔者只采用后者，以扩大最终的播放列表。
笔者打算按下面的步骤来做：
- 设置运行代码的环境。
- 请求Spotify API获取所有相关音乐数据并提供简要说明。
- 使用Numpy、Pandas和一些附加的Python库执行EDA(探索性数据分析)，以数字和可视化的方式探索候选播放列表。
- 选择-使用两种统计技术优化最合适的播放列表。
一、设置
在本节中，设置所需的环境，以便应用分析技术。如果已经准备好下面列出的任何部分，可以跳过它们。
- 申请Spotify开发者帐户并创建应用程序。[在此过程中，将创建一个客户ID，并为应用程序提供一个客户机密]。
- 安装Jupyter Notebook-一个开源的web应用程序，用于创建/共享包含实时代码、方程式、可视化和叙述性文本的文档。
- 安装Spotipy-用于访问Spotify Web API和请求的轻量级Python库-用于寻址API的Python模块。可以使用CLI(命令行界面)或Jupyter notebook来运行以下命令：
- pip install spotipy
- pipinstall requests
install.py
- 导入必要的库：
- # Import the libraries
- import os
- import pandas as pd
- import numpy as np
- import json
- importmatplotlib.pyplot as plt
- import seaborn as sns
- import spotipy
- importspotipy.util as util
- fromspotipy.oauth2 importSpotifyClientCredentials
- 执行授权代码流：
- # Declare the credentials
- cid ='XXXX'
- secret ='XXXX'
- redirect_uri='http://localhost:7777/callback'
- username ='XXXX'
- # Authorization flow
- scope ='user-top-read'
- token = util.prompt_for_user_token(username, scope, client_id=cid,client_secret=secret, redirect_uri=redirect_uri)
- if token:
- sp = spotipy.Spotify(auth=token)
- else:
- print("Can'tget token for", username)auth.py
请注意，与其通过笔记本直接声明凭证，还不如通过相应地设置环境变量，使它们暂时可用：
- export SPOTIPY_CLIENT_ID="XXXX"
- exportSPOTIPY_CLIENT_SECRET="XXXX"
- exportSPOTIPY_REDIRECT_URI="http://localhost:7777/callback"
二、数据解释与获取
Spotify为其开发人员提供了许多表征音轨的音频特征(有关音频特性对象的更全面的解释，请参见此处)。下面列出要使用的特征，并简要说明：
- Loudness：[-60.0-0db]描述了音轨的整体响度，或者说，声音的质量，这是与体力(振幅)相关的主要心理因素。
- Energy：[0.0-1.0]描述了对活动和强度的感性测量。充满活力的音轨让人感觉快速、响亮和嘈杂。
- Valence：[0.0-1.0]描述音轨听起来“积极”的程度。高价意味着更积极的声音(如欢快、欢快等)。
- Tempo：以BPM为单位描述音轨的总体估计节奏(每分钟节拍)，直接从节拍平均的持续时间得出。
- Danceability：[0.0-1.0]根据音乐元素(节奏、稳定性、节拍强度等)的组合，描述一个轨道是否适合跳舞。低值意味着较少的舞步。
数据提取部分分三步完成：访问用户播放列表;提取每个播放列表的曲目;提取每个曲目的音频特征。对于每个步骤，创建一个函数，实现相应的Spotipy方法。
(a)访问用户的播放列表
- deffetch_playlists(sp,username):
- """
- Returns theuser's playlists.
- """
- id = []
- name = []
- num_tracks = []
- #Make the API request
- playlists = sp.user_playlists(username)
- for playlist in playlists['items']:
- id.append(playlist['id'])
- name.append(playlist['name'])
- num_tracks.append(playlist['tracks']['total'])
- # Create the final df
- df_playlists = pd.DataFrame({"id":id, "name":name, "#tracks": num_tracks})
- return df_playlists
- playlists =fetch_playlists(sp,username)
- playlists= playlists[:4].copy()
- playlists
fetch_plst.py
此函数返回一个数据帧，其中包含用户播放列表的id、name和曲目数#tracks。显然，有4个候选播放列表：
playlists 数据帧
(b) 获取播放列表的曲目
- deffetch_playlist_tracks(sp, username, playlist_id):
- """
- Returns thetracks for the given playlist.
- """
- offset =0
- tracks = []
- #Make the API request
- whileTrue:
- content = sp.user_playlist_tracks(username, playlist_id, fields=None, limit=100, offset=offset,market=None)
- tracks += content['items']
- if content['next'] isnotNone:
- offset +=100
- else:
- break
- track_id = []
- track_name = []
- for track in tracks:
- track_id.append(track['track']['id'])
- track_name.append(track['track']['name'])
- #Create the final df
- df_playlists_tracks = pd.DataFrame({"track_id":track_id, "track_name": track_name})
- return df_playlists_tracks
fetch_trcs.py
这个函数以playlist_id作为参数，返回一个数据帧，包括每个曲目的曲目 track_id 和 track_name 。不直接调用它，而是在下面的函数中使用它。
(c) 获取曲目的音频特征
- deffetch_audio_features(sp, username, playlist_id):
- """
- Returns theselected audio features of every track,
- for the givenplaylist.
- """
- # Usethe fetch_playlist_tracks function to fetch all of the tracks
- playlist =fetch_playlist_tracks(sp, username, playlist_id)
- index =0
- audio_features = []
- #Make the API request
- while index < playlist.shape[0]:
- audio_features += sp.audio_features(playlist.iloc[index:index+50, 0])
- index +=50
- #Append the audio features in a list
- features_list = []
- for features in audio_features:
- features_list.append([features['danceability'],
- features['energy'],features['tempo'],
- features['loudness'],features['valence']])
- df_audio_features = pd.DataFrame(features_list,columns=['danceability', 'energy',
- 'tempo', 'loudness', 'valence'])
- # Set the 'tempo' & 'loudness' in the same range withthe rest features
- for feature in df_audio_features.columns:
- if feature =='tempo'or feature =='loudness':
- continue
- df_audio_features[feature] =df_audio_features[feature] *100
- #Create the final df, using the 'track_id' as index for future reference
- df_playlist_audio_features = pd.concat([playlist,df_audio_features], axis=1)
- df_playlist_audio_features.set_index('track_id', inplace=True, drop=True)
- return df_playlist_audio_features
fetch_aud_ftrs.py
给定 playlist_id 作为参数，此函数返回每个曲目的 track_id, name 和音频特征(danceability, energy, tempo, loudness, valence)。因此，对于4个播放列表中的每一个，创建相应音频特征的数据帧：
- df_dinner =fetch_audio_features(sp, username, '37SqXO5bm81JmGCiuhin0L')
- df_party=fetch_audio_features(sp, username, '2m75Xwwn4YqhwsxHH7Qc9W')
- df_lounge=fetch_audio_features(sp, username, '6Jbi3Y7ZNNgSrPaZF4DpUp')
- df_pop=fetch_audio_features(sp, username, '3u2nUYNuI08yUg877JE5FI')
aud_ftrs.py
df_dinner 数据框示例
仅仅借助API的力量就获得了所有必要数据的纯编码!
三、EDA
为了减少混乱，这里不包括数据可视化代码，但它可以在GitHub repo上使用。
首先，在一个图中描绘所有播放列表的音频特征，以便容易地感知哪个最适合聚会。
音频特征水平条形图
显然，把特征作为整体来看，Party和Pop播放列表取代了另外两个。仔细看看这两个，就能更清楚地了解哪一个占上风…
df_party 和df_pop水平横条图
除了danceability特征外，其他特征在派对播放列表中更高。这是一个必须选择和建立，以完善最终的播放列表。
四、播放列表的优化
其主要作用是尽可能增加派对播放列表的音频特征。但是，增加一个特征可能会减少另一个特性，因此必须考虑优先级。就笔者个人而言，根据假设2，danceability(年轻人)应该是主要特征，下一个特征是valence(家庭成员)。
这些变量是定量的，同时也属于比率尺度的测量。因此，箱线图可以有效地描述每个特征的个体分布。这样的图表和描述性统计表(通过pandas.DataFrame.describe方法)可以提供关于每个特定四分位数下的值的比例的良好视觉展示。
下面将详细说明原始的df_party数据框，突出显示danceability和valence平均值、第二(中位数)和第三个四分位数：
df_party数据的描述性统计和箱线图
竖直的黄线是中位数，而▴符号代表平均数。一般的目标是“推动”每一个特征的分布尽可能地向右，也就是说，沿着播放列表曲目方向增加，以便获得一个更好的“聚会”体验!根据假设4，从df_pop(第二个决赛播放列表)中添加曲目，每次都寻找机会：
- 将平均值向右移动(增加平均音频特征)
- 或将中位数移到平均值的右侧(确保至少50%的歌曲高于平均值)
- 或两者兼而有之
方法一
一个好的出发点是，抽取一个df_pop的样本，并将其添加到主样本(df_party)中，随机的除外。通过使用pandas.DataFrame.sample()函数和weights参数，可以预先配置danceability值越大，就越有可能对相应的行进行采样。这种方法产生的数据框是df_party_exp_I(exp代表expanded)。
- # Take a sample from the Pop playlist
- df_pop_sample_I= df_pop.sample(n=40, weights='danceability',random_state=1)
- df_pop_sample_I.describe()
- # Concatenate the original playlist with the sample
- df_party_exp_I= pd.concat([df_party, df_pop_sample_I])
- df_party_exp_I.describe()
sample_I.py
df_party_exp_I描述性统计和方框图
- 主要音频特征danceability增加;平均值上升近0.5，其分布也略有优化。中位数从68.20移到69.30，第三(上)四分位数分别从77.20移到78.90。
- 但是， valence特征下降了0.61，四分位都没有向右移动。鉴于此，应该寻找进一步的优化机会。
方法二
这一次将利用NumPy布尔索引并过滤Pop播放列表，以便只返回满足指定条件的行。特别是，将danceability和valence特征设置为高于派对播放列表的相应平均值，分别为69.55和51.89。
- # Take a sample from the Pop playlist
- df_pop_sample_II= df_pop[(df_pop['danceability'] >69.55) & (df_pop['valence'] >51.89)].copy()
- # Concatenate the original playlist with the sample
- df_party_exp_II= pd.concat([df_party, df_pop_sample_II])
- df_party_exp_II.describe()
sample_II.py
df_party_exp_II描述性统计和方框图
- danceability增加更多。这次平均值增加了将近2.17!随着中位数和上四分位数向右移动，沿着该功能的曲目分布也得到了优化，这基本上意味着至少50%的播放列表高于主要声学功能的“新”较高平均值(71.71)。
- 尽管如此，valence特征下降了4.21，第二和第三个四分位数均高于平均值。
方法三
一个特征的优化并不一定意味着其他特征的优化。为了改善这一缺点，将引入一个方程，其变量是声学特征，参数是赋予它们的权重。既然非常重视danceability特征，那么相应的权重应该更高。最后分数计算如下：
Score =(danceability *30)+(energy *20)+(tempo *20)+(loudness *10)+(valence *20)
为播放列表的每个单曲计算这个分数(创建一个新的列score)，然后计算各自的描述性统计。这样，可以更好地评估，丰富df_party，同时在每个特征上实现更统一(根据权重)的优化。
简言之，df_party, df_party_exp_I & df_party_exp_II的平均score分别为7355分、7215分和7416分。很明显，虽然方法一相比原来的播放列表找到了更好的danceability，但它破坏了派对的整体体验(平均score从7355下降到7215)。就方法二而言，平均score提高了近62分。然而，也可以不用这两种方法…
这一次，通过使用新引入的score列，将过滤df_pop数据帧，并获取注意到score高于df_party平均值的行。因此，增加后者!
- # Take a sample from the Pop playlist
- df_pop_sample_III= df_pop[df_pop['score'] > df_party['score'].mean()].copy()
- # Concatenate the original playlist with the sample
- df_party_exp_III= pd.concat([df_party, df_pop_sample_III])
- df_party_exp_III.describe()
sample_III.py
df_party_exp_III描述性统计和方框图
事实上，这次：
- danceability特征提高了近1.17，valence增加了4.06(平均值的右移)
- 两种分布都得到改善(中位数移到平均值的右侧)
- score为122.3，是目前为止最好的!(上下文意味着更高的潜力，播放列表在加权音频特征上更加统一)
作为一个完整的检查，应该一次性描述和比较所有的方块图—这可能看起来有点拥挤。幸运的是，变量的性质(见上文)允许使用KDE(内核密度图)。
KDE图
现在非常清楚了，方法三(绿色分布)是最好的，因为它实现了更高的右移。
最后，最终得到的数据帧(df_party_exp_III)包含了最终的音轨。唯一悬而未决的操作是将其转换为真正的播放列表。下面，第一个函数创建最终的播放列表，将其名称作为参数以及描述。另一个，从数据帧迁移轨迹。
请注意，授权流将再次运行，这次将使用不同的作用域(playlist modify public)。只需查看指南就好(https://github.com/makispl/Spotify-Data-Analysis/blob/master/README.md)。
- defcreate_playlist(sp,username, playlist_name, playlist_description):
- playlists = sp.user_playlist_create(username, playlist_name, description =playlist_description)
- create_plst.py
- defenrich_playlist(sp,username, playlist_id, playlist_tracks):
- index =0
- results = []
- while index <len(playlist_tracks):
- results += sp.user_playlist_add_tracks(username, playlist_id, tracks =playlist_tracks[index:index +100])
- index +=100
enrich_plst.py
- # Make a temporary list of tracks
- list_track =df_party_exp_III.index
- # Create the playlist
- enrich_playlist(sp,username, '779Uv1K6LcYiiWxblSDjx7', list_track)
create_plst.py
播放列表数据帧
Bingo!
结论
到目前为止，已经处理了数百首曲目，检查了它们的音频特征，最后选择了最适合聚会的曲目，只用到了Python。通过这种方式，成功地完成了任务：
- 演示了简单(描述性)的统计数据和编码(如果适当组合)是如何计算出此类耗时的活动的。
- “尝到”了拥有可请求的API的重要性，以便提取有意义的数据。
无论是从DJ还是从数据科学家的角度“深入”音乐世界，这无疑都是美妙的……
但是，有效地，当涉及到大量音乐数据集的精确性、敏捷性和彻底处理时，后者可以通过几行代码来指示计算机体面地执行。也就是说，有一件事是必然的：
数据科学已经找到了另一个发展壮大的“市场”，这意味着统计背后确实有“音乐”，达到了节拍背后有数学的水平…
Jupyternotebook已准备好立即运行，让Pandas摇滚吧!
