产品基本信息

• 数据规模：113,999 条记录，158 个特征（原始 24 个，经工程化扩展），涵盖 11.4 万首 Spotify 歌曲。
• 核心特征：
  • 基础指标：popularity（流行度）、explicit（是否含露骨歌词）、音频特征（danceability、energy 等）；
  • 流派相关：track_genre（原始流派）、114 个 one-hot 编码的 is_genre_哑变量、标签编码的 track_genre_le；
  • 自定义指标：loudness_intensity（响度强度）、happy_dance（欢快舞曲指数）、tempo_vs_genre（速度与流派对比）等；
  • 聚类目标：mood_cluster（情绪聚类）、acoustic_valence_mood_cluster（声学效价情绪聚类）；
  • 统计量：artist_song_count（艺术家歌曲数）、artists_avg_popularity（艺术家平均流行度）等。
• 数据处理：删除冗余标识（如歌曲名、专辑名），合并 key 与 mode 为 key_mode，将分类特征编码（one-hot / 标签编码），新增多维度工程特征。
• 许可证：MIT 许可。
• 适用人群：机器学习初学者、数据科学学习者、音乐数据分析爱好者。

产品使用说明

1. 数据读取与熟悉：用 Python Pandas 读取 modified-spotify-dataset.csv，查看特征分布（如popularity的取值范围、track_genre的类别数量），通过df.info()了解特征类型（数值型 / 分类型）。
   python

   import pandas as pd  
   df = pd.read_csv('modified-spotify-dataset.csv')  
   print(f"特征数量：{df.shape[1]}, 记录数：{df.shape[0]}")  
   print("核心特征示例：", df[['popularity', 'danceability', 'track_genre', 'mood_cluster']].head())  
   

2. 任务选择与特征准备：
   • 回归任务（预测流行度）：选择音频特征（energy、loudness 等）、自定义指标（energy_rank_pct）、艺术家统计量（artists_avg_popularity）作为输入，popularity为目标变量；
   • 分类任务（预测流派）：用 one-hot 编码的 is_genre_* 特征或标签编码的 track_genre_le 作为目标，输入音频特征与结构特征；
   • 聚类任务：用 mood_pca（情绪主成分）、acousticness 等特征，通过 K-means 验证与数据集自带的 mood_cluster 是否匹配。
3. 特征工程实践：基于现有特征扩展，例如：
   • 计算 “能量 - 可舞性比率”（energy/danceability）；
   • 用mood_pca与tempo构建新的情绪 - 节奏特征；
   • 对比自定义指标（如 happy_dance）与流派的关联性（通过箱线图可视化）。
4. 模型训练与评估：
   • 回归：用线性回归、随机森林预测 popularity，通过 R²、RMSE 评估；
   • 分类：用逻辑回归、SVM 处理流派分类，关注多类别 F1 分数（因流派类别达 114 种）；
   • 聚类：用轮廓系数评估 mood_cluster 的合理性，分析不同聚类的音频特征差异（如 “高能量 - 高可舞性” 聚类的典型流派）。

应用场景

1. 机器学习教学：高校或培训机构可将数据集作为入门案例，用于讲解特征工程（如 one-hot 编码、特征合并）、模型选择（回归 vs 分类）、端到端 ML 流程（从数据读取到模型评估），帮助学生理解实际项目中的数据处理逻辑。
2. 音乐数据分析：音乐平台分析师可通过数据集探索 “流行度驱动因素”（如是否高能量歌曲更易流行）、“流派特征差异”（如古典乐与摇滚的 acousticness 对比），为音乐推荐策略（如基于情绪聚类的歌单生成）提供思路。
3. 推荐系统原型开发：开发者可基于音频特征与流派标签，构建简易音乐推荐模型（如向喜欢 “高 happy_dance 值” 歌曲的用户推荐同类曲目），实践协同过滤或内容推荐算法。
4. 初学者实战 portfolio：数据科学新手可利用数据集完成完整项目（如 “用随机森林预测歌曲流行度”），通过特征重要性分析（如发现 loudness 对流行度的影响），丰富个人作品集。

相似产品

产品来源