Popular TikTok tracks

TikTok продолжает оставаться популярной развлекательной платформой, продвигающей музыку и формирующей тренды. Я сама часто ищу на этой платформе новую музыку для плейлистов и периодически задаюсь вопросом, почему именно этот трек стал вирусным с помощью этой площадки, и что повлияло на его буст.

Для исследования был выбран датасет «TikTok Popularity Track» с платформы Kaggle, так как он содержит разнообразные данные о популярных музыкальных треках на платформе TikTok, включая метрики популярности, танцевальности, энергии и другие музыкальные характеристики.

Анализ таких данных помогает понять, какие факторы влияют на вирусность и популярность треков. Кроме того, данные позволяют исследовать взаимосвязь между музыкальными параметрами и поведением аудитории.

Для исследования я выбрала 4 типа графиков: boxplot, круговую диаграмму, тепловую карту, точечный график с линией регрессии. Эти типы охватывают разные важные музыкальные параметры — ритм (темп), тональность, эмоциональный фон (valence и energy), длительность и громкость. Позволяют всесторонне проанализировать, какие характеристики влияют на вирусность и популярность треков на TikTok.

Вместе они дают комплексное понимание музыкальных факторов, которые формируют тренды и помогают создавать успешный контент на платформе.

Для основной цветовой палитры были использованы два базовых контрастных цвета черный и белый, они применялись для фона и текста, яркий голубой и розовый — служили цветами для наполнения графиков. Все оттенки были стилизованны под платформу Tik Tok. Шрифт был выбран Akzidenz-grotesk pro — современный гротеск, подходящий под веб-эстетику площадки.

Теперь можно было приступать к визуализации. На первом графике планировалось показать влияние тональности темпа и музыки на восприятие песен.

Первым шагом было подключение необходимой библиотеки для анализа данных и визуализации. Загружался выбранный датасет с треками TikTok.

Затем проводилось формирование групп для анализа.

1. tempo_group: делит треки на две группы по темпу — выше 120 BPM и ниже/равно 120 BPM.
2. mode_group: делит треки на мажорные и минорные (mode=1 — мажор, mode=0 — минор).

Это позволяет анализировать не просто все треки подряд, а сравнивать их по музыкальным характеристикам.

Третьим шагом была визуализация с помощью boxplot (ящики с усами).

4. x='mode_group' — по оси X будут две категории: Мажор и Минор.
5. y='track_pop' — по оси Y будет измеряться популярность трека.
6. hue='tempo_group' — для каждой тональности (мажор/минор) строятся два ящика: для темпа >120 BPM и ≤120 BPM.

Финальный шаг оформление графика. Добавление заголовка, подписи оси Y, легенды (где видно, какой цвет — какой темп).

Анализ графика: Треки с медленным темпом (≤120 BPM) в среднем более популярны на TikTok, чем быстрые (>120 BPM), независимо от тональности.

Существенного влияния тональности (минор или мажор) на популярность не наблюдается — распределения почти совпадают.

Неожиданностью стало то, что популярность трека на TikTok больше зависит от темпа, чем от тональности: медленные треки востребованы сильнее, а разница между минором и мажором минимальна.

Второй график посвящен выборке топ-10% песен по популярности, и визуализации доли из них с высокими показателями настроения и энергии.

Первым шагом, идет определение топ-10% песен по популярности и создание новых столбцов.

1. Вычисляется порог для топ-10% песен по столбцу track_pop (популярность трека) с помощью квантиля 0.9.
2. Создаётся булев столбец is_top, который помечает песни с популярностью выше этого порога (т.е. в топ-10%).
3. Создаётся ещё один булев столбец high_valence_energy, который отмечает песни с высокими значениями valence (более 0.8) и energy (более 0.7). Эти параметры обычно характеризуют настроение (valence — позитивность) и энергичность трека.

Затем подсчёт количества песен с высокими valence и energy среди топ-10% и подготовка данных для графика.

4. Из DataFrame выбираются только песни из топ-10% (df[df['is_top']]).

5. В этой выборке подсчитывается количество песен с high_valence_energy равным True и False.

6. Создаётся список меток для графика: «Другие» — песни без высоких valence и energy, «High valence + energy» — песни с высокими значениями этих параметров.

Строится круговая диаграмма, где сектора соответствуют количеству песен с и без высоких valence и energy. Затем идет ее оформление.

Анализ графика: Среди самых популярных треков TikTok только небольшая доля (8,3%) отличается одновременно высокой позитивностью (valence > 0.8) и энергичностью (energy > 0.7).

Абсолютное большинство топовых песен (91,7%) не соответствуют этим характеристикам.

Это говорит о том, что для попадания в топ-10% по популярности на TikTok вовсе не обязательно быть «весёлым» и «энергичным» треком. Популярность достигают песни с разным эмоциональным и энергетическим фоном, а не только ярко позитивные и энергичные композиции.

Третий график анализирует, как средняя популярность треков на TikTok зависит от двух параметров: длительности песни и её громкости.

Сначала идет преобразование длительности треков из миллисекунд в минуты:

1. Создаётся новый столбец duration_min, в котором длительность трека переведена из миллисекунд в минуты для удобства анализа.

Создание категорий для длительности и громкости:

2. Длительность разбивается на три категории: менее 2.5 минут, от 2.5 до 5 минут, более 5 минут.
3. Громкость (loudness) разбивается на две категории: «Тише» — громкость ниже -8 дБ, «Громче» — громкость от -8 дБ до 0 дБ.

Подготовка данных для тепловой карты:

4. Группируются данные по категориям длительности и громкости.
5. Для каждой группы вычисляется средняя популярность треков.
6. Результат преобразуется в таблицу с длительностью по строкам и громкостью по столбцам для удобства визуализации.

Построение тепловой карты:

7. Строится тепловая карта с аннотациями — средними значениями популярности, округлёнными до одного знака.
8. Создается гармоничное визуальное оформление.

Анализ графика: Треки средней длительности (2.5–5 минут) с более высокой громкостью демонстрируют наивысшую среднюю популярность. Это может объясняться тем, что такие песни оптимальны по длительности для формата TikTok и при этом достаточно громкие, чтобы привлечь внимание слушателей.

Короткие треки (<2.5 мин) с низкой громкостью имеют наименьшую среднюю популярность, что указывает на то, что слишком короткие и тихие песни менее востребованы.

Длительные треки (>5 мин) в целом имеют среднюю или ниже популярность, независимо от громкости.

Громкость играет важную роль: более громкие песни в каждой категории длительности обычно популярнее тихих.

Последнее исследование — анализ зависимости популярности треков TikTok от их танцевальности.

Первым этапом построения этого графика было создание создание фигуры с тёмным фоном:

1. Создаётся окно графика размером 10×6 дюймов с тёмно-серым фоном.

Затем было построение точечного графика с линией тренда (регрессии):

2. Строится scatter plot (точечный график), где по оси X — танцевальность трека, по оси Y — его популярность.
3. Точки полупрозрачные, розового цвета (#FF005E), размером 40.
4. Добавляется пунктирная линия тренда регрессии голубого цвета (#00F0FF), толщиной 3.

Добавление сетки:

5. Добавляется полупрозрачная пунктирная белая сетка для удобства чтения графика.

Аннотация самого популярного трека:

6. На графике отмечается название трека с максимальной популярностью, расположенное рядом с соответствующей точкой.

Затем идет стилизация текста и самого графика.