建站
咨詢
售后
建站咨詢
新聞中心
本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)。
在永善等地區(qū)，都構(gòu)建了全面的區(qū)域性戰(zhàn)略布局，加強發(fā)展的系統(tǒng)性、市場前瞻性、產(chǎn)品創(chuàng)新能力，以專注、極致的服務(wù)理念，為客戶提供成都網(wǎng)站建設(shè)、網(wǎng)站建設(shè) 網(wǎng)站設(shè)計制作按需制作,公司網(wǎng)站建設(shè),企業(yè)網(wǎng)站建設(shè),品牌網(wǎng)站建設(shè),網(wǎng)絡(luò)營銷推廣,成都外貿(mào)網(wǎng)站制作,永善網(wǎng)站建設(shè)費用合理。
2019年5月， Tones and I發(fā)行了她的第二張單曲《Dance Monkey》，這首歌一直在世界各地流行，你肯定曾經(jīng)隨著這首歌的節(jié)奏搖擺過!
我第一次知道這首歌是在某節(jié)課上，我朋友一直唱著它。一開始，筆者感覺他好像一遍又一遍地重復(fù)同樣的歌詞：“dance for me, dance for me, dancefor me”。聽了原曲后，我注意到它確實有一些重復(fù)的歌詞。筆者接著聽了她的另一首熱門歌曲《Never Seen The Rain》，也發(fā)現(xiàn)了類似的模式。
筆者決定以這個小項目為基礎(chǔ)，探究藝術(shù)家在選擇歌詞措辭時有自己的風(fēng)格。
我將使用基本的python技能來分析Tones and I的兩首熱門歌曲：《Dance Monkey》和《Never Seen The Rain》，查看它們之間是否存在任何相似之處，以及她如何通過歌詞的重復(fù)創(chuàng)建自己的音樂風(fēng)格，比如使用語音單詞(例如“oh”和“ah”)等。
1. 收集和清理數(shù)據(jù)
筆者從Metro Lyrics獲得了這兩首歌的歌詞并對其進行了編輯，確保歌詞之間沒有逗號或多余的空格，還將諸如“You’ve”改為“You have”以保持一致性。之后，筆者將其作為字符串上傳到JupyterNotebook上，并為其分配了一個變量(dm&nstr)。
- #Dance Monkey Lyrics
- dm = "They say oh my god I see the way you shine Take your hand my...makeyou do it all again All again"
- dmdm = dm.lower()#Never Seen The Rain Lyrics
- nstr = "All your life no You could...never felt the rain rain rain"
- nstrnstr = nstr.lower()
dm.lower()函數(shù)更改了單詞以確保它們?nèi)繛樾?。如果不這樣做，程序會認為“You”與“you”有所區(qū)別，認為它們是不同的詞。打印后，結(jié)果將如下所示：
由于目的之一是找出歌詞中總共有多少個單詞，所以當(dāng)所有單詞都在一個字符串中時，就無法做到這一點。為了分隔它們，筆者使用了以下代碼：
- split_dm = dm.split(' ')
- print(split_dm)
我對Never Seen The Rain的歌詞也進行了同樣的處理。
2. 分類數(shù)據(jù)
下一步是計算單詞和唯一單詞的總數(shù)。為了計算單詞總數(shù)，筆者在初始變量上使用了LEN()函數(shù)：
- len(split_dm)
總共453個單詞。然后，為了計算用于創(chuàng)作歌曲的單個詞的數(shù)量，筆者在split_dm變量上使用了SET()函數(shù)。
- unique_dm = set(split_dm)
- print(unique_dm)
此函數(shù)確保列出至少使用一次的單詞，因此結(jié)果如下所示：
為了計算新列表中的單詞數(shù)，筆者使用了LEN()函數(shù)：
- len(unique_dm)
總共有72個唯一單詞，指的是是只有這些單詞才被用于這首歌的創(chuàng)作。
3. 最常用的詞
在要使用的單詞中，筆者想確定前10個單詞(重復(fù)最多的單詞)以及僅使用一次的單詞。下面使用的代碼顯示了每個單詞及其用法計數(shù)：
- word_dm = {}
- for word in unique_dm:
- word_dm[word] = 0for word insplit_dm:
- word_dm[word] = word_dm[word] + 1
- print(word_dm)
為了更易于閱讀，筆者使用以下代碼將單詞和值綁定在一起：
- dm_count = sorted(word_dm.items(),key = lambda t:t[1], reverse =True)
- print(dm_count)
然后，使用此代碼檢索前10個最常用的單詞：
- dm_top_10 = dm_count[0:10]
- dm_top_10
合并后的數(shù)據(jù)如下所示：
筆者可以肯定地說，“Tones and I”的獨特風(fēng)格(在她的所有歌曲中都絕對可以聽到)就是在歌曲中使用“oh”和“ay”之類的原聲單詞，這兩個詞的數(shù)量在她的兩首歌曲中均排在前10位。
4. 只使用了一次的單詞
圖源：unsplash
使用類似于上面的代碼，筆者還發(fā)現(xiàn)只使用了一次的單詞：
- dm_least_used = dm_count[49:72]
- len(dm_least_used)
只有23個只使用了一次的單詞。另一首歌曲也運用了相同的函數(shù)。
5. 重復(fù)字數(shù)
下一個目標(biāo)是找出不止被重復(fù)一次的單詞數(shù)：
- len(unique_dm)-len(dm_least_used)
這首歌里重復(fù)了49個單詞。為了找到重復(fù)的次數(shù)，筆者使用了以下代碼：
- len(split_dm)-len(dm_least_used)
這49個單詞共被重復(fù)了430次!同樣，在另一首歌里也執(zhí)行相同的代碼。
6. 可視化
筆者將兩首歌曲中的數(shù)據(jù)合并到excel的表格中，然后在筆記本上讀取。
- table = pd.read_csv('song_values.csv')
比較數(shù)據(jù)的最有效方法是使用條形圖：
- x = table.Name
- y1 = table.words_in_song
- y2 = table.words_in_lyrics
- y3 = table.Words_used_once
- y4 = table.Words_used_more_than_once
- y5 = table.Number_of_times_words_repeatedfig = go.Figure(data=[
- go.Bar(name='Total number of words insong', xx=x, y=y1),
- go.Bar(name='Total Number of RepeatedWords', xx=x, y=y5),
- go.Bar(name='Number of words used inLyric', xx=x, y=y2),
- go.Bar(name='Words used once', xx=x,y=y3),
- go.Bar(name='Words used more thanonce', xx=x, y=y4)])#Change the bar mode
- fig.update_layout(barmode='group', title ="Comparison Between The TwoSongs")
- fig.show()
查看圖表，我們可以得出以下結(jié)論：
- 兩首歌曲在歌詞中使用一次的單詞和重復(fù)一次以上的單詞數(shù)量相對一致，盡管“Dance Monkey”中的單詞數(shù)略微多一些。
- 盡管如此，“Dance Monkey”中重復(fù)單詞的次數(shù)要比“Never Seen The Rain”的重復(fù)次數(shù)高得多。
- 在構(gòu)成歌詞的單詞中，只有不到一半的單詞僅使用過一次。
7. 最后的想法
在進一步處理數(shù)據(jù)時，筆者發(fā)現(xiàn)一個非常有趣的現(xiàn)象，即標(biāo)題中的兩個單詞是如何頻繁使用的：“Dance”使用了19次，而“Monkey”在整首歌曲中僅使用了一次。
令人驚訝的是，用于創(chuàng)作歌詞的單個單詞的數(shù)量非常少(大約占15%-20%)，其中約85%的單個詞被重復(fù)使用以組成歌曲。
圖源：unsplash
做完這個項目，我?guī)缀跻籇ance Monkey這首歌洗腦了。同樣的方法去試試探索你所喜愛的歌手，說不定能挖出他不為人知的創(chuàng)作習(xí)慣。
文章標(biāo)題：如何用Python探究你喜愛的歌手的音樂風(fēng)格？
本文網(wǎng)址：http://www.5511xx.com/article/dghhjdd.html
