Spotify Analytics: analizando música, artistas y tendencias con datos

La música también son datos. En este recorrido tomo un dataset de canciones de Spotify y respondo preguntas concretas: ¿cómo se reparte la popularidad?, ¿qué géneros mandan?, ¿qué hace que una canción sea popular? y ¿tiene cada estilo una "firma" de audio reconocible? Todo con un notebook reproducible.

01 Los datos

Usé el Spotify Tracks Dataset (público, de Kaggle): miles de canciones con su popularidad (0–100), el género y las llamadas características de audio que Spotify calcula para cada tema:

• Bailabilidad: qué tan bailable es (ritmo, pulso, regularidad).
• Energía: intensidad y actividad — el metal alto, una balada bajo.
• Valencia: qué tan "positiva" o alegre suena.
• Acústico: probabilidad de que sea acústico y no electrónico.

El notebook intenta cargar el CSV real; si no está, genera un dataset de ejemplo con el mismo esquema, así cualquiera puede correrlo sin descargar nada:

def cargar_datos():
    for archivo in ("spotify_tracks.csv", "dataset.csv"):
        if os.path.exists(archivo):
            return pd.read_csv(archivo)   # datos reales de Kaggle
    return generar_ejemplo()           # respaldo, mismo esquema

02 La popularidad se concentra

Lo primero: mirar cómo se reparte la popularidad. La forma lo dice todo — hay muchísimas canciones "del montón" y muy pocos hits. Es una cola larga hacia la derecha: pegarla fuerte es raro, y por eso vale tanto.

03 Qué géneros mandan

Al promediar la popularidad por género, aparece un patrón conocido: los estilos más bailables y masivos (reggaetón, hip-hop, pop) lideran, mientras que los más de nicho o de escucha atenta (jazz, clásico) quedan abajo. No es que sean "peores": es que el promedio de popularidad mide alcance masivo.

04 ¿Qué hace popular a una canción?

Aquí viene lo interesante. Cruzando todas las características con la popularidad en una matriz de correlación, se ve que la bailabilidad y la energía son las que más acompañan a la popularidad, mientras que lo acústico va en sentido contrario. Ojo: correlación no es causa — no basta con subir el BPM para tener un hit —, pero sí marca por dónde va la música que hoy suena masivamente.

05 Cada género tiene su "firma" de audio

Lo que más me gustó: si pones cada canción en un mapa de energía vs. bailabilidad, los géneros se separan solos. El metal y el EDM viven arriba (pura energía), el reggaetón y el pop a la derecha (muy bailables), y lo clásico se va abajo a la izquierda. Los datos "ven" la diferencia entre estilos sin que se la expliquemos.

Y si comparamos el perfil completo de tres géneros muy distintos, el contraste es total: el reggaetón alto en bailabilidad, el metal en energía, y el clásico dominado por lo acústico.

Conclusiones

Con unas pocas preguntas y gráficos, un dataset de música cuenta una historia clara:

• La popularidad se concentra en pocos temas: muchos del montón, pocos hits.
• Bailabilidad y energía son las características más asociadas al éxito masivo; lo acústico, lo contrario.
• Cada género tiene una firma de audio reconocible y separable a partir de los datos.

Lo mejor es que es reproducible: el mismo notebook corre con el CSV real de Kaggle o con datos de ejemplo. Es la misma forma en que abordaría cualquier set de datos —tuyo o de tu negocio—: preguntar, limpiar, visualizar y sacar conclusiones con sus límites bien marcados.