新余市网站建设_网站建设公司_Spring_seo优化

1. 实际应用场景描述

场景

某音乐爱好者使用音乐平台听歌，并导出自己的听歌记录（日期、歌曲名、歌手、音乐风格、听歌时长）。他希望：

- 统计每周听歌总时长

- 分析音乐风格偏好

- 根据数据调整歌单，发现更多喜欢的音乐

痛点

- 手动统计每周听歌时长耗时

- 难以直观看出音乐风格偏好

- 缺乏自动化分析，依赖主观感受

2. 核心逻辑讲解

1. 输入：日期、歌曲名、歌手、音乐风格、听歌时长（分钟）

2. 统计：

- 按周汇总总听歌时长

- 按周和音乐风格汇总时长

3. 分析：找出每周最受欢迎的音乐风格

4. 输出：每周听歌时长报告与风格偏好分析

3. 代码模块化设计

我们将代码分为：

-

"data_loader.py"：数据加载模块

-

"analysis.py"：统计分析模块

-

"recommendation.py"：偏好分析模块

-

"main.py"：主程序入口

3.1

"data_loader.py"

# data_loader.py

import json

def load_listening_data(file_path="listening_data.json"):

"""

从JSON文件加载听歌记录

格式: [{"date": "2024-06-01", "song": "歌名", "artist": "歌手", "genre": "风格", "minutes": 3.5}, ...]

"""

try:

with open(file_path, "r", encoding="utf-8") as f:

data = json.load(f)

return data

except FileNotFoundError:

print(f"文件 {file_path} 未找到，使用示例数据")

return [

{"date": "2024-06-01", "song": "光年之外", "artist": "G.E.M.", "genre": "流行", "minutes": 4.0},

{"date": "2024-06-01", "song": "泡沫", "artist": "G.E.M.", "genre": "流行", "minutes": 3.5},

{"date": "2024-06-02", "song": "演员", "artist": "薛之谦", "genre": "流行", "minutes": 4.2},

{"date": "2024-06-03", "song": "蓝色多瑙河", "artist": "约翰·施特劳斯", "genre": "古典", "minutes": 5.0},

{"date": "2024-06-04", "song": "Shape of You", "artist": "Ed Sheeran", "genre": "流行", "minutes": 3.8}

]

3.2

"analysis.py"

# analysis.py

from collections import defaultdict

from datetime import datetime

def weekly_total_minutes(records):

"""

按周统计总听歌时长

:param records: list of dict

:return: dict {week_number: total_minutes}

"""

weekly_total = defaultdict(float)

for r in records:

date_obj = datetime.strptime(r["date"], "%Y-%m-%d")

week_num = date_obj.isocalendar()[1]

weekly_total[week_num] += r["minutes"]

return weekly_total

def weekly_genre_minutes(records):

"""

按周和音乐风格统计时长

:param records: list of dict

:return: dict {week_number: {genre: minutes}}

"""

weekly_genre = defaultdict(lambda: defaultdict(float))

for r in records:

date_obj = datetime.strptime(r["date"], "%Y-%m-%d")

week_num = date_obj.isocalendar()[1]

weekly_genre[week_num][r["genre"]] += r["minutes"]

return weekly_genre

3.3

"recommendation.py"

# recommendation.py

def analyze_preference(weekly_genre):

"""

分析每周音乐风格偏好

:param weekly_genre: dict {week: {genre: minutes}}

:return: list of str

"""

analysis_result = []

for week, genres in weekly_genre.items():

if not genres:

continue

top_genre = max(genres.items(), key=lambda x: x[1])

total = sum(genres.values())

ratio = top_genre[1] / total

analysis_result.append(

f"第{week}周最偏好的音乐风格是「{top_genre[0]}」，占比{ratio:.1%}"

)

return analysis_result

3.4

"main.py"

# main.py

from data_loader import load_listening_data

from analysis import weekly_total_minutes, weekly_genre_minutes

from recommendation import analyze_preference

def main():

print("=== 听歌时长统计与音乐风格偏好分析系统 ===")

records = load_listening_data()

weekly_total = weekly_total_minutes(records)

weekly_genre = weekly_genre_minutes(records)

print("\n📊 每周听歌总时长:")

for week, mins in sorted(weekly_total.items()):

print(f"第 {week} 周: {mins:.1f} 分钟")

print("\n🎵 每周音乐风格偏好分析:")

preferences = analyze_preference(weekly_genre)

for pref in preferences:

print(f" - {pref}")

if __name__ == "__main__":

main()

4. README.md

# 听歌时长统计与音乐风格偏好分析系统

## 项目简介

基于Python的音乐听歌记录分析工具，帮助统计每周听歌总时长并分析音乐风格偏好。

## 功能

- 导入听歌记录（JSON格式）

- 按周统计总听歌时长

- 按周分析音乐风格偏好

- 输出偏好报告

## 安装与使用

1. 确保已安装 Python 3.7+

2. 准备 `listening_data.json` 数据文件（或使用内置示例数据）

3. 运行 `python main.py`

## 数据格式示例 (listening_data.json)

json

[

{"date": "2024-06-01", "song": "光年之外", "artist": "G.E.M.", "genre": "流行", "minutes": 4.0}

]

## 模块说明

- `data_loader.py`: 数据加载

- `analysis.py`: 统计分析

- `recommendation.py`: 偏好分析

- `main.py`: 主程序

5. 使用说明

1. 创建

"listening_data.json" 文件，按示例格式填写听歌记录

2. 运行：

python main.py

3. 查看控制台输出的每周听歌时长及风格偏好分析

6. 核心知识点卡片

知识点 说明

JSON数据处理 读写结构化数据

datetime模块 解析日期并计算ISO周数

defaultdict 高效分组统计

字典操作 存储与查询统计数据

模块化设计 便于维护与扩展

条件分支分析 业务规则驱动偏好分析

大数据预处理 真实场景可用Pandas处理千万级听歌记录

7. 总结

本项目通过模块化Python编程，解决了音乐听歌数据分析的痛点：

- 自动化：一键统计每周听歌时长

- 智能化：自动分析音乐风格偏好

- 可扩展：可接入音乐平台API实现实时数据获取

未来可结合协同过滤算法或NLP分析歌词情感，实现更精准的个性化推荐，打造真正的个人音乐智能管家。

如果你愿意，可以把这个系统升级成带GUI的桌面应用（Tkinter/PyQt）或者Web版（Flask + ECharts），并增加歌词情感分析功能，让推荐更符合你的心情。

利用AI高效解决实际问题，如果你觉得这个工具好用，欢迎关注我！