IF36-P24-TheWorld-TaylorsVersion
This is a school project for a Data Visualization course at UTT, France. It aims to create meaningful visualizations for a dataset of our choice ; here, we chose several datasets consisting of Spotify and Youtube data about popular songs.
Ce repo héberge un projet scolaire pour un cours de Visualisation de données à l'UTT. Il vise à créer des visulisations pertinentes pour un dataset de notre choix ; ici, nous avons choisi plusieurs datasets regroupant des données de Spotify et Youtube sur des musiques populaires.
Content
L'équipe de projet The World (Taylor's Version) est composée de quatres personnes : Marielle CHARON, Kevin HERNANDEZ, Anouchka NEVEU et Amadou ISSAKA AMADOU. Le but de ce projet est de répondre à plusieurs questions sur le thème de la musique et plus précisement sur les platformes Spotify et Youtube grace à la visualisation de données. Le projet sera développé sous R.
- Clonez le repo
git clone https://github.com/IF36-visualisation/projet-if36-p24-the-world-taylor-s-version.git
- Ouvrez les fichiers R avec l'IDE de votre choix (R-Studio de préférence)
Vous pouvez également analyser les résultats seuls en ouvrant les fichiers .html qui rassemblent les visualisations.
Le dataset utilisé (Datasetfinal.csv) est un merge de deux datasets : Spotify and Youtube et Spotify songs. Le merge final pèse 6.55 MB et est sous format CSV. Il contient 3668 éléments. La clé qui a servi au merge est l'ID de la musique sur Spotify.
Les deux jeux de données contiennent des données datant de 2023 collectées depuis les API officielles de YouTube et Spotify. On a, notamment, les 10 musiques les plus populaires d'une variété d'artistes.
Le dataset complet possède 50 features, avant cleaning de celles pertinentes. Après cleaning, on a 33 features.
On regroupe les features sous ces catégories :
| Catégorie | Features associées |
|---|---|
| Informations générales | artist, track_name, album, album_type, duration_ms, channel, description, track_album_release_date, ... |
| Scores musicaux | danceability, energy, key, loudness, acousticness, instrumentalness, liveness, valence, tempo |
| Popularité | views, likes, comments, stream, track_popularity |
| Variables supplémentaires | uri (Spotify ID), url_spotify, url_youtube, licensed, ... |
Les variables supplémentaires n'expliquent pas la donnée pour l'analyse, mais sont utilisées pour structurer le dataset.
Les features se répartissent selon plusieurs types : nominales (nom de l'artiste/musique/album, ...), discrètes (tonalité) ou continues (scores musicaux).
Dans ce projet, nous souhaitons répondre à plusieurs questions et suppositions. D'autres points pourraient encore emerger durant la manipulation des données afin de répondre à ces questions.
- Quels sont les artistes les plus populaires sur YouTube et Spotify ? Et est-ce que on a les même résulats selon la plateforme ?
- Est-ce qu'il y a une corrélation entre la "danceability" et l'énergie d'une chanson ?
- Quelle est la durée moyenne des chansons par artiste ? Est-ce qu'il y a des artistes qui ont des chansons plus longues ou plus courtes que la moyenne ?
- Les chansons plus longues ont-elles une popularité différente ?
On suppose les chansons longues moins populaires.
- Est-ce que les chansons plus dansantes ont tendance à être plus courtes en durée ?
- Existe-t-il une corrélation entre la "tempo" d'une chanson et sa "danceability" ?
- Y a-t-il une évolution dans la longueur des chansons au fil des albums d'un artiste ?
- Est-ce qu'il existe des liens entre certaines variables et le nombre de streams ?
On suppose que la "danceability" ou "energy" sont corrélés au nombre de streams.
- Quel genre de musique est le plus populaire sur Spotify/Youtube ?
On suppose la pop.
- Quelle est la répartition des caractéristiques musicales (tempo, danceability, etc.) dans les chansons les plus populaires ?
- Quels genres sont les plus populaires d'année en année ?
 Marielle CHARON 💻 |
 Anouchka Neveu 💻 |
 Kevin HERNANDEZ 💻 |
 Amadou ISSAKA AMADOU 💻 |