【Python】分析個人音樂收藏

猿友 2018-08-02 18:48:52 瀏覽數(shù) (5502)

反饋

本文轉(zhuǎn)載至知乎ID：Charles（白露未晞）知乎個人專欄

下載W3Cschool手機App，0基礎(chǔ)隨時隨地學編程>>戳此了解

導語

偶遇了一篇文章：

“Mapping Your Music Collection”

https://www.christianpeccei.com/musicmap/

感覺頗有緣分，似有命中注定之感，于是想著用一些簡單的音頻處理、機器學習和可視化技術(shù)，簡單地分析一下自己的音樂收藏。當然我對樂理知識一無所知，所以分析將不涉及任何與樂理知識相關(guān)的內(nèi)容，純屬“瞎玩”性質(zhì)的分析。T_T

那么就讓我們愉快地開始吧~~~

環(huán)境搭建

安裝Python并添加到環(huán)境變量，pip安裝需要的相關(guān)模塊；

將相關(guān)文件中提供的mpg123.zip文件解壓后添加到環(huán)境變量中，例如：

開始分拆

方便起見，所有的音樂文件均先轉(zhuǎn)為.wav格式后再做分析。

從最簡單的開始吧！讓我們先來看看不同歌手的聲音波形圖：

周杰倫：

感覺波形圖好混亂，似乎是數(shù)據(jù)量太大引起的，于是我打算換一個策略，只畫出每首歌曲前10秒的波形圖來作比較，畢竟良好的開端是成功的一半？

周杰倫：

許嵩：

陳奕迅：

Interesting...

好像還是挺有意思的，但并看不出什么端倪來的樣子，同一個歌手唱的歌的波形結(jié)構(gòu)之間的差異和不同歌手唱的歌的波形結(jié)構(gòu)之間的差異仿佛都挺大的。雖然并沒有規(guī)定說同一個歌手唱的歌的波形結(jié)構(gòu)之間的差異一定很小，不同歌手唱的歌的波形結(jié)構(gòu)之間的差異一定很大。

好吧，有些混亂，還是隨意點的好。那么我們來嘗試性地提取一下歌曲的特征吧。我們打算提取的歌曲特征有：

① 歌曲波形的統(tǒng)計矩，包括均值、標準差、偏態(tài)和峰態(tài)，同時，我們通過平滑窗(遞增平滑，長度分別為1,10,100,1000)來獲取這些特征在不同時間尺度上的表現(xiàn)；

② 為了體現(xiàn)信號的短時變化，我們可以計算一下波形一階差分幅度的統(tǒng)計矩，同樣也通過平滑窗來獲取這些特征(均值、標準差、偏態(tài)和峰態(tài))在不同時間尺度上的表現(xiàn)；

③ 最后，我們計算一下波形的頻域特征，這里我們只計算歌曲在不同頻段(將整個頻段均分為10份)的能量占比，不過直接對歌曲的波形數(shù)據(jù)作快速傅里葉變換的話其計算量過于龐大了，因此先讓波形數(shù)據(jù)通過長度為5的平滑窗再對其作快速傅里葉變換。

綜上所述，我們已經(jīng)獲得了歌曲的42個特征值。下面我們嘗試利用這些特征值對我這幾天下載的43首歌曲進行k均值聚類。首先，為了便于結(jié)果的可視化，我們利用PCA對數(shù)據(jù)進行降維(42維特征到2維特征)，為了方便起見，我們直接調(diào)庫(sklearn)實現(xiàn)，結(jié)果打印如下：