Spotify Analysis

Un dashboard interactiv construit cu Streamlit care aplică tehnici de analiză a datelor și machine learning pe un dataset de piese Spotify — de la statistici descriptive până la regresie, clasificare și clustering.

Live demo: spotify-analysis.streamlit.app

---

Structura proiectului

files/
├── Home.py                          # Pagina principală
├── dataset.csv                      # Setul de date
├── requirements.txt                 # Dependențe Python
└── pages/
    ├── 1_Date_si_Statistici.py      # Statistici descriptive
    ├── 2_Filtrare_si_Explorare.py   # Filtrare interactivă
    ├── 3_Vizualizari_Matplotlib.py  # Grafice Matplotlib
    ├── 4_Vizualizari_Plotly.py      # Grafice Plotly interactive
    ├── 5_Regresie_Liniara.py        # Model de regresie liniară
    ├── 6_Clasificare_RandomForest.py# Model de clasificare
    └── 7_Clustering_KMeans.py       # Clustering K-Means

---

Instructiuni de rulare:

1. Clonează repo

git clone https://github.com/numetau/spotify-analysis.git
cd spotify-analysis

3. Instalează dependențele

pip install -r requirements.txt

4. Rulează aplicația

streamlit run Home.py

---

Despre date

Setul de date conține 114.000 de piese Spotify, distribuite uniform în 125 de genuri muzicale (câte 1.000 de piese per gen), extras de pe Kaggle — Spotify Tracks Dataset. Fiecare piesă este descrisă prin 20 de coloane:

Tip	Coloane
Caracteristici audio	energy, danceability, valence, tempo, loudness, acousticness, speechiness, instrumentalness, liveness
Metadate	track_name, artists, album_name, track_genre, duration_ms, explicit
Variabila țintă	popularity (scor 0–100, medie ~33/100)

---

Rezultate

1. Date & Statistici

Încărcare dataset, statistici descriptive (medie, mediană, deviație standard), analiza valorilor lipsă, tipuri de date și distribuții de bază pentru fiecare variabilă numerică.

2. Filtrare & Explorare

Filtrare interactivă după gen muzical, artist și interval de popularitate. Tabele sortabile cu opțiune de export CSV — util pentru explorarea rapidă a subseturilor de date.

3. Vizualizări Matplotlib

Histograme, boxplots și scatter matrix pentru analiza distribuțiilor și a relațiilor dintre variabile. Grafice statice de calitate pentru raportare.

4. Vizualizări Plotly

Grafice interactive: scatter 3D, radar chart comparativ per gen muzical, heatmap de corelații și violin plots — cu hover, zoom și filtrare dinamică.

5. Regresie Liniară (OLS)

Obiectiv: predicția popularității pe baza caracteristicilor audio.

Rezultate cheie:

• R² scăzut (~0.05–0.10) — un rezultat valoros în sine: demonstrează că popularitatea nu poate fi prezisă doar din caracteristicile audio. Factorii de marketing, viralitate și context social au un rol dominant.
• Coeficienți pozitivi asociați cu danceability și energy
• Coeficienți negativi pentru acousticness și instrumentalness
• Analiza reziduurilor confirmă ipotezele Gauss-Markov (medie ≈ 0, distribuție aproximativ normală)
• Predictor interactiv: introdu valori custom și estimează popularitatea unei piese

6. Clasificare — Random Forest

Obiectiv: predicția genului muzical pe baza caracteristicilor audio.

Rezultate cheie:

• Acuratețe ~60–70% pe top 8 genuri (de ~6–8x mai bun față de clasificarea aleatoare)
• Cel mai important feature: acousticness, urmat de instrumentalness și energy
• Cross-validation 5-fold stabil, fără overfitting semnificativ
• Confusion matrix normalizată și raport complet per gen (Precision, Recall, F1-Score)

7. Clustering K-Means

Obiectiv: segmentarea nesupervizată a pieselor în grupuri cu profil audio similar.

Rezultate cheie:

• Elbow method + Silhouette Score sugerează un optim la K=4–5 clustere
• Vizualizare PCA 2D cu separare clară între clustere
• Profiluri identificate automat:

Cluster	Profil	Genuri dominante
Energetic	Energy și tempo ridicate, acousticness scăzută	Rock, Metal
Acustic & Calm	Acousticness ridicată, energy scăzută	Folk, Classical
Dansabil & Pozitiv	Danceability și valence ridicate	Pop, Latin
Spoken Word	Speechiness ridicată	Comedy, Spoken

---

Andreea S.