Przeanalizowałem 8400 tekstów piosenek 100 polskich raperów. Pod uwagę wziąłem około 1000 artystów z czego wybrałem 100 z największą ilością utworów. Na wizualizacji prezentuję 300 najczęściej występujących słów – im większy napis tym częściej słowo występuje.
Materiały zostały przygotowane w pythonie, a wizualizacja danych została przygotowana przy użyciu biblioteki d3.js oraz algorytmu Jasona Davis’a.
Z ciekawostek, słowo kurwa pojawia się 4335 razy, chuj 2293 razy, jebać 687 razy – z pewnością można powiedzieć, że jest to język ekspresywny, z dużą dawką emocji i nieco wulgarny.
Dominują tematy o życiu, a także teksty autotematyczne – słowo rap występuje 6334 razy, bit 1408 razy, MC 664 razy, a hip-hop 827 razy. Występują neologizmy, zapożyczenia z języka angielskiego oraz slang.
Chmura tagów
Trzeba zaznaczyć, że chmura tagów, czyli w tym wypadku chmura słów nie pozwala na analizę językową, bo obrazuje tylko częstotliwość występowania poszczególnych wyrazów. To też jest jakaś informacja, tyle że niepełna – nie znamy kontekstu tych słów i nie jest łatwo ocenić zależności pomiędzy słowami. Uważa się nawet, że wizualizacja typu word cloud jest szkodliwa, można o tym poczytać tutaj.
Jak to zostało zrobione
Napisałem skrypt w pythonie, który pobrał około 1000 nazw artystów z last.fm, a potem sprawdził czy wykonawcy znajdują się w bazie tekstów piosenek. Jeżeli były, to skrypt pobrał tekst każdej piosenki każdego artysty. Z tego materiału wybrałem 100 najbardziej płodnych artystów, co oceniłem po kb zapisanych na dysku dla każdego z nich.
Następnie teksty zostały podzielone na słowa, usunąłem stop words czyli słowa często występujące, ale mające małe znaczenie np. “ale”, “i”, “lub”, a potem to już było łatwo, bo skrypt policzył częstotliwość występowania słów, wyeksportował wyniki i potem to już tylko trochę zabawy z d3.
A jest gdzieś w wersji tabelki, żeby wszystko było bardziej czytelne? Badanie bardzo fajne
Chciałem zrobić tabelkę, ale nie byłaby czytelna, bo miałaby ok 4000 wierszy.
eeh zepsute troche bo nie widac slowa ‚jak’, to chyba ciekawe obczaic ktorzy mc najbardziej miotaja porownaniami
To byłoby niezłe, tylko samo słowo „jak” nie gwarantuje, że to porównanie np. „jak się masz?” nie jest porównaniem. Pomysł spoko, może jak będę aktualizował to dodam.
Zakładam, że pobrane teksty piosenek zawierały w sobie narracyjne wstawki jak [Refren: Sarius]. Pytanie czy obsłużyłeś ten przypadek wycinając takie wstawki czy zostały one policzone przez skrypt?
Wniosek na przykładzie chmury tagów Sariusa gdzie najczęstsze słowo to refren. Pytanie czy tak faktycznie jest? (czy to skutek uboczny źle przetworzonego tekstu)
Generalnie wycinałem takie wstawki, ale jeszcze sprawdzę ten konkretny przypadek.
Wygląda na to, że to jednak błąd, wkrótce poprawię.