我用代码分析了2025年听过的所有的歌。
每当别人问我自己的音乐属于什么风格的时候，我都无法脱口而出，其实盘旋在我脑海里的音乐流派词汇本来就不算多。聊到音乐时询问别人的音乐口味，也是一个很难以回答的问题，现在我更多是问别人最近在听什么歌，而不是问对方喜欢什么音乐。
如果有一份针对自己歌单的数据分析就简单多了。
我每个月都会建一个歌单，把自己喜欢的音乐放进去，这样2025年一年我就创建了12个歌单，这算是一个比较完整的行为样本。最近我发现，Spotify会直接从每首歌的音频里分析出包括歌曲流行度、听觉兴奋度、情绪色彩、器乐化程度等在内的各项数值特征，而在一个网友开发的网页工具Exportify中，这些歌单里包含的数据都可以以类似于表格形式的csv格式导出。
【*以下是从Exportify导出的歌单csv文件里包含的信息（如图）：
Track URI歌曲链接
Track Name歌曲名称
Artist Name参与艺人
Duration歌曲时长（ms）
Releae Date官方发行日期
Popularity相对流行度指数（0–100）
Explicit是否包含脏话、性暗示等内容
Added At被加入歌单的时间
Genres Spotify给出的风格标签
Record Label发行这首歌的唱片公司
Danceability舞动性
Energy听觉兴奋度（音乐的整体强度与密度，综合了：响度、失真、速度、动态）
Loudness整体响度（单位是 dB，数值越接近 0，响度越高）
Mode调式（1 = 大调0 = 小调）
Speechiness“说话感”的比例（数值高：Rap、对白，数值低：旋律人声/器乐）
Acousticness“原声感”（是否听起来是否像电子制作）
Instrumentalness器乐化程度
Liveness现场感
Valence情绪正向度（0–1，情绪的明亮与低沉）
Tempo速度（BPM）
Time Signature拍号（如 4/4、3/4）】
把每个月的歌单整合成一个csv文件，放到Exportify的开发者已经写好的.ipynb 文件中运行，就能够得出一个至少可供参考的被量化过的歌单画像。可以说是把听音乐这样一种抽象的行为，某种程度上变得可视化了。
这套程序不一定能概括一个人的音乐品味，但也算是换一种方式理解和“靠近”自己吧。
以下是我的歌单的分析结果：
365天里，平均下来1天能找到1.4首喜欢的歌放进歌单。
409组艺人中，有350组艺人只有一首歌出现在我的歌单里，最多的有七首。比起那些歌单里会大量出现自己喜欢的音乐人的作品的听众，我没有那么专一，平时听专辑，也很偶尔才会有把专辑里的好几首歌都加入歌单的情况。
这里系统出现了一些问题，一些中文字体的人名没有被识别和分析到，但还是可以大致看出排名靠前的一些名字。
排名最靠前的（在505首歌曲中，每人占有3-7首歌）分别是五月天、孙燕姿、Tyler, The Creator、陶喆、陈奕迅；
然后是Magdalena Bay、方大同、Taylor Swift、 Fontaines D.C.、Cory Wong、Geordie Greep、王力宏、林忆莲、Michael Jackson、Smashing Pumpkins（每组艺人分别有4首歌）；
然后是The Birthday，Chace（Mandarin主唱），坂本龙一，林宥嘉，The Beatles，莫文蔚，Friko（每组艺人分别3首歌）。
很多熟悉的名字，他们那里总是有一些还没有被发现的歌曲却格外好听。
表格中可以看出十二月是丰收的季节。
歌单里一共出现了235个Spotify给出的音乐风格词汇。
其中出现次数最多的是mandopop华语流行、taiwanese pop台湾流行、cantopop粤语流行，每一类的歌曲都出现了70-80次；
数量在中段的是Chinese indie国内独立音乐、国内r&b，J-pop，Chinese rock国内摇滚，这几个类别分别出现了30-60次；
然后是jazz fusion，J-rock，post-punk，jazz，国内hiphop，jazz funk，以及我认为我会听得最多的art rock，psychedelic rock, alternative rock，每个类目出现了10-20次；
后面的“长尾区”包括古典乐，也有分得更细的Japanese indie，french indie pop，brazilian jazz，jazz ballads，ambient，opera，bossa nova，但分类太细，可能互相之间多有重复。
歌单里最底部的音乐风格：
排名靠后的一些更细分的音乐风格如果整合进某几个大类，数量应该也可以和数量最靠前的几个主流风格抗衡吧。
喜欢老歌的我，没想到还是听更多离我更近的歌曲。
平均歌曲受欢迎度：44.67
歌曲受欢迎度中位数：44.0
在 Spotify 这一类平台里，偏主流的音乐受欢迎度通常在60 以上 ，我的均值和中位数都在 44 左右，算是中间地带，但从图上看，好像听的歌大多数都还是不太受欢迎。
平均歌曲时长：4:20
歌曲时长中位数：4:05
在自己做音乐的时候，也觉得4分钟是比较合适的时长，歌曲发展到那个时间就差不多想要结束了。
歌单里时间最长的主要是一些古典乐。
Tempo速度
均值：118BPM，歌单里极慢（<70）和极快（>170）的歌并不多，基本上都是恰好能跟着抖腿或者快步走路的时候可以踩上的节奏吧。
Acousticness原声感（是否听起来是否像电子制作）
均值：0.35，对于原声的喜好分布很散，接近0到接近1都有，低值（更有合成和电子质感）偏多。不过，现在市场上的音乐，原声的器乐编曲已经并不多了。
Instrumentalness器乐化程度
均值：0.17，我以为我会更看重（有没有一个词语叫听重？）器乐性，但没想到更多还是听人声占比重的歌。
Liveness现场感
均值：0.17，一直觉得录音棚作品更有质感。
Valence情绪正向度（0–1，情绪的明亮与低沉）
均值：0.45，越来越少听过度激烈的歌曲，也一直不喜欢深沉的苦情歌曲，但有一种悲伤是不外溢的那种悲伤，最让人一阵阵地心痛。
Speechiness“说话感”（比例数值高：Rap、对白；数值低：旋律人声/器乐）
均值：0.06，主要还是以器乐和旋律为导向。
Loudness 整体响度（单位是 dB，数值越接近 0，响度越高）
均值：-8.77，如果把每年的歌单拿出来做一个横向对比，就可以知道近几年的音乐是不是越来越响了。响度不会影响我挑选喜欢的音乐，只不过是在听歌时按大按小音量的事。
Energy 听觉兴奋度
均值：0.58
Danceability 舞动性
均值：0.56
Mode 调式（1 = 大调0 = 小调）：更多大调的歌，带给我更多明亮的心情。
Key 调号：为什么没有什么人写#D调的歌？
Time Signiture 拍数: 大多数是四四拍，但歌单里还是存在一些奇数拍的歌曲。
如图帮我列出了歌单里五拍子的歌，但严格来说JVKE的那首并不是五拍子，只不过歌曲当中变换了拍数而已。
一个遗憾是这套数据中没有记录歌单里每首歌被收听的时长，但结合Spotify Wrap这类的年度听歌总结，还是多少会对自己的听歌习惯有一些新的认识吧。如果感兴趣，你也可以玩一玩。
试玩地址：Exportify: https://exportify.net/
-End-
我的新专辑《一个人的回想》- Lilak
一共七首歌，正在Spotify, Youtube Music, 网易云音乐，QQ音乐等平台陆续上线中，你也可以抽空找来听听。
网易云音乐：https://music.163.com/#/album?id=356710411
QQ音乐：https://c6.y.qq.com/base/fcgi-bin/u?__=k5UDAJg5If5L
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。