GOAT: анализ музыки Кендрика Ламара
Концепция
Впервые его музыку я услышала в 2017, когда везде гремели песни из только вышедшего альбома «DAMN.», и пусть я тогда не знала столь хорошо английский, чтобы полностью понимать текст песен (может, тогда это было к лучшему), но творчество этого исполнителя меня сильно поразило. А далее, куча Гремми, Пулитцеровская премия, выступление на Super Bowl, дисс с Дрейком и просто статус «одного из самых влиятельных и уважаемых рэперов современности».
Кендрик Ламар оказывает огромное влияние на современную музыку, поднимая хип-хоп на интеллектуальный уровень — его тексты изучают в университетах, а «To Pimp a Butterfly» вошел в культурное наследие США. Он смело экспериментирует со звучанием, сочетая рэп с джазом, фанком, госпелом и роком, делая музыку глубже и разнообразнее. Возвращая важность концептуальных альбомов, он создает не просто сборники треков, а цельные истории, вдохновляя других артистов на осмысленные проекты. Как первый рэпер, получивший Пулитцеровскую премию, он доказал, что хип-хоп — это высокое искусство. Его стиль повлиял на новое поколение исполнителей, таких как JID, Baby Keem и Denzel Curry, которые также стремятся делать содержательную музыку. Кендрик — голос поколения, объединяющий честность, эксперименты и искусство, которое останется в истории.
Да, мне нравится творчество Кендрика Ламара, даже очень. Поэтому, чтобы, так сказать, перейти с уровня «любитель» на «эксперт», я взяла его творчество за основу данного исследования и анализа. Теперь, общаясь с друзьями, смогу парировать умными фактами)
Подготовка
В качестве анализируемого материала я выбрала базу данных «Kendrick Lamar Dataset» с сайта Kaggle.
На основе выбранного датасета я написала промт для Chat GPT4, попросив его предложить несколько вариантов тем, которые можно был бы изучить и изобразить в виде данных. В итоге, Общая концепция всех диаграмм заключается в исследовании различных характеристик треков из альбомов, таких как энергия, танцевальность, длительность, популярность, акустичность, инструментальность и темп, с целью выявления закономерностей и сравнения альбомов между собой.
В ходе анализа датасета я хотела выбрать те виды графиков, которые смогут визуально передать какие-либо элементы создания музыки. В итоге выбор пал на:
- скрипичную диаграмму (которая напоминает запись аудио дорожки) - ящик с усами (напоминающие бегунки на пульте диджея) - горизонтальную столбчатую диаграмму (блоки которой напоминают наложенные друг на друга аудио дорожки в программе)
Также для большей релевантности и наглядности визуализации данных я взяла:
- линейную диаграмму - тепловую диаграмму
Слева направо: дорожка диктофона и скрипичная диаграмама, бегунки на dj-консоли и ящик с усами, аудидорожки в программе и столбчатая диаграмма
Для оформления графиков я собрала мудборд из фотографий исполнителя и обложек его альбомов для определения общего настроения и колористического ориентира в последующем. Закинув коллаж в Adobe Color, я получила цветовую палитру, которая стала основой для оформления диаграмм: #4E7A80, #192A40, #C2AB89, #F20505 для оформления графических элемента и #E4E6F2 для фона.
Мудборд
Цветовая палитра
У каждого человека есть свой самый любимый исполнитель и его самые любимые альбомы и песни. Соотвественно, для обложки данного исследования я выбрала наиболее прослушиваемые мной альбомы и, с помощью написанного кода на Python, наложила фотографии поверх друг друга с 50% прозрачностью. Заодно чуть подробнее узнаете мои музыкальные вкусы)
Альбомы слева направо: «To Pimp a Butterfly» 2015, Mr. Morale & The Big Steppers» 2022, «DAMN.» 2017, «Good kid, m.A.A.d city» 2012 По центру обложка исследования
Обработка данных
Начала я написание кода с импортирования основных библиотек, которые помогут мне работать с данными и визуализировать их: «pandas» для загрузки и обработки данных «matplotlib.pyplot» для построения графиков и диаграмм, а «seaborn» — для стилизации визуализаций.
После этого я загрузила данные из CSV-файла, который содержал информацию о треках из альбомов Кендрика Ламара.
Для удобства работы с графиками я установила стиль ’ggplot’, который делает визуализации более приятными для восприятия.
Результаты
В базе данных «Kendrick Lamar Dataset» было представлено три таблицы с результатами, поэтому для более точечного анализа я остановилась на одной — «kendrick_album_tracks.csv».
График № 1 / Длительность треков на разных альбомах
Для начала хотелось узнать насколько долгие песни у артиста: раз он репер, читать ему приходится много и долго. Для этого я взяла красивую violin plot, что позволяет наглядно показать распределение данных. С помощью sns.violinplot я указала названия альбомов на оси X (x=’album_name’), а длительность треков в миллисекундах — на оси Y (y=’duration_ms’). Данные взяты из DataFrame df. Подписи на оси X повернул на 90 градусов, чтобы они не накладывались. В итоге получился информативный и визуально приятный график.
В итоге самые длинные песни в тех альбомах исполнителя, где он поднимал важные социальные темы, такие как расизм и социальная несправедливость, саморефлексия и внутренняя борьба и другое.
Длительность треков на разных альбомах и написанный код к диаграмме
График № 2 / Суммарная популярность треков по альбомам
А что по популярности песен, на чём Кендрик хайпанул?
Сначала я сгруппировала данные по альбомам с помощью df.groupby (’album_name’) и вычислила суммарную популярность для каждого альбома, обратившись к столбцу popularity и применив метод .sum (). Результат сохранила в переменную popularity_by_album.
В итоге по результатам предпоследний альбом «Mr. Morale & The Big Steppers» Кендрика стал самым популярным и цитируемым, что неудивительно, раз фанаты ждали этот альбом целых 5 лет.
Суммарная популярность треков по альбомам и код к диаграмме
График № 3 / Танцевальность треков по альбомам
Пожалуй, самый важный вопрос: под что танцевать и жёстко тусить (помимо нашумевшего «Not like us» за последние полгода)?
Для создания тепловой карты, которая визуализирует средние значения энергии и танцевальности треков по альбомам, я сначала сгруппировала данные по названиям альбомов с помощью df.groupby (’album_name’) и вычислила средние значения для столбцов energy и danceability, сохранив результат в переменную album_stats.
В итоге дисс на Дрейка «Not like us» оправдал себя, так как вошёл в самый танцевальный и недавний альбом «GNX», в остальном все альбомы сбалансированы по двум показателям.
Чтобы сделать карту более выразительной, я обратилась за помощью к Chat-GPT версии 4.0, который помог сделать кастомную цветовую карту (custom_cmap с помощью LinearSegmentedColormap.from_list).
Танцевальность треков по альбомам и написанный код к ним
График № 4 / Акустичность и инструментальность треков по альбомам
Известно, что Кендрик — большой любитель экспериментальных звучаний, в своих треках он сочетал и базовый хип-хоп с репом, и африканские мотивы с реп-джазем, и R& B с госпелом.
Для анализа акустичности и инструментальности треков по альбомам я использовала линейный график, так как он хорошо показывает изменения средних значений этих характеристик. Сначала я сгруппировала данные по альбомам с помощью df.groupby (’album_name’) и вычислила средние значения для столбцов acousticness и instrumentalness, сохранив результат в переменную acoustic_stats.
В итоге оказалось, что реп-исполнитель не любитель инструментальности, зато акустика присутствует чуть ли не в каждом его альбоме на высоких позициях.
Акустичность и инструментальность треков по альбомам и написанный код к диаграмме
График 5 / Распределение BPM по альбомам
Напоследок я рассмотрела общим темп по альбомам исполнителя, узнать, каков он.
Сначала я создала график с помощью plt.figure (figsize=(10, 6)), чтобы задать его размер. Затем взяла функцию sns.boxplot, где на оси X указал названия альбомов (x=’album_name’), а на оси Y — значения темпа (y=’tempo’).
Особенность альбома DAMN. в ритмическом плане — это сочетание минимализма, сложных структур, экспериментов с темпом и жанровым разнообразием. Кендрик Ламар создаёт уникальные ритмы, которые подчёркивают эмоциональную глубину и концептуальность альбома. Это делает «DAMN.» одним из самых инновационных и влиятельных альбомов современной музыки.
Распределение BPM по альбомам и написанный код к диаграмме
Заключение
В целом, анализ подтверждает, что каждый альбом Кендрика Ламара уникален по своим характеристикам, что делает его творчество многогранным и интересным для изучения.
Во-первых, тепловая карта показала, что альбомы отличаются по уровню энергии и танцевальности: Некоторые альбомы имеют более высокие средние значения, что может указывать на их более динамичный характер. Акустичность и инструментальность также треков меняются от альбома к альбому, что в целом отражает эволюцию музыкального стиля Кендрика.
В некоторых альбомах треки имеют более широкий разброс по длительности, что может говорить о и разнообразии композиций, и об экспериментах с ритмом.
Итого: творчество исполнителя неисчерпаемо, анализ которого может не только помочь лучше ознакомиться с музыкальными особенностями его творчества, но и лучше понимать, какие аспекты творчества наиболее востребованы аудиторией, что может влиять на стратегию продвижения и создания новой музыки.
Описание применения генеративной модели
ИИ: генерации инструкций и рекомендаций по улучшению кода Chat GPT version 4.0
Ссылка на документ с промтами здесь
Источники
Ссылка на «Kendrick Lamar Dataset» Kaggle
Генерация цветовой палитры и её редактирование на основе загруженного изображения Adobe Color
ИИ: генерации инструкций и рекомендаций по улучшению кода Chat GPT version 4.0
