全文共5105字，预计学习时长28分钟
图源：unsplash
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”……
图源：unsplash
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！
请图源：unsplash点击
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。
图源：unsplash
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 requestsinstall.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：
图源：unsplash
· 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()
playlistsfetch_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_tracksfetch_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_featuresfetch_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）。
图源：unsplash
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 +=100enrich_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……
图源：unsplash
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！
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范