HipHop到底在唱些什么？

当“你有frestyle吗？”风靡全网后，你从未听说过的rapper像加拿大土拨鼠播报的春天一样出现了洞口——你突然觉得，妈的，hiphop真的想成为主流吗？我努力改天靠这个吃饭吗？然后，作为一个对HipHop一无所知的吃瓜者，尤其是对中国HipHop一无所知的人，你自然会好奇以下三个问题:HipHop在唱什么？各国各地的Rapper想说什么就唱什么？如果我想成为一名Rapper，我应该如何写词来跟上潮流而不离题太远？所以我用Python抓住了美国、英国、台湾、香港和中国大陆的6000万首歌词，包括600万首歌词。我做了一些数据分析，目的是给你想要的答案。我的数据源选择了虾音乐，因为虾有详细的嘻哈音乐分类，其他的，如网易云音乐QQ、Spotify、iTunes、StreetVoice，要么对歌手音乐风格缺乏分类，要么分类粗糙，不能作为数据源。选择虾音乐后，写了一段时间的代码，抓住歌词的爬虫开始摩擦工作，爬虫通常会面临两个问题——1。经常抓取网站页面的代理问题，IP很容易被密封。所以我写了一个爬虫抓免费代理，抓了800多个代理IP，够了。2.效率问题10万首歌，即使一秒一个请求，也要27个小时，我等不了27个小时。所以我决定开10个线程，三个小时就能跑完。...然后三个小时后，我收获了一个约100M、49419首歌的数据库。看着这满满的记录，感受到蜜蜂辛辛苦苦搬运后看蜂蜜的喜悦。我相信所有关于HipHop歌词的秘密都包含在里面。接下来是一些数据清理、处理和分析。虾的歌词是由用户编辑和上传的，格式不适用于数据分析，因此我必须删除无用的符号、编曲、歌词和其他信息（统一格式有多重要，朋友们），然后用中文和英文分开。英语需要停止单词（对数据分析无用的单词通常没有实际意义，如is、on、at、which），大小写变换，以及词形变换。英语中的词汇有单复数和各种时态。为了便于分析，需要还原为词干。此外，汉语和英语都需要词性标记。一般来说，这些现成的开源库用于分析名词和形容词（这里省去了1000万字）。简而言之，我已经完成了，以下是分析结果。让我们先来看看大陆的raper歌词中写的关键词“世界”和“时间”占据了第一位，“老子”、“兄弟”、“baby”、“money”、“bitch”、“real“等词让rapper的形象呼之欲出。rapper的词中经常提到“音乐”、“歌词”、“旋律”、由此可见，他们非常关心自己的音乐。嘻哈音乐有frestyle的文化，对个人写作有要求，否则就不会“real从节目中他们对偶像raper的diss中也可以看出。接下来，让我们来看看与其他地区的关键词比较↓ rapper的生活似乎是一样的，大陆和台湾都喜欢喊“baby身边有一群“兄弟”和“朋友”，有“梦想”hiphop"，有“烦恼”就骂街。亮点是美国的关键词top1是“nigga“，这与种族歧视意味着“nigger还不是一个词。这个Tupac有一个有趣的定义。nigger:ablackmanwithaslaverychainaroundhisneck.nigga:ablackmanwithagoldchainonhisneck.接下来，为了了解说唱的生活状况，我开始分析歌词中一些常见词汇的频率。饶舌歌手的生活一定是豪车，骑摩拜可能有被解雇的风险。感谢维基提供了汽车品牌页面，并亲密地分为英文名称和中国大陆翻译名称，所以我写了一个爬虫来抓住品牌名称，然后统计数据库中每个品牌的频率。这是中国16284首嘻哈歌曲中各汽车品牌的情况。它出现在一首歌的歌词中一次，至少出现在400多首歌曲中一次。可以看出，饶舌歌手喜欢宝马和奔驰，只有一个特点，就是贵！事实上，夏利、桑塔纳等车也有很多歌曲提到，但一般表达的是消极情绪。然后我统计了说唱歌手喝什么*红色是国内说唱歌手的数据，黄色是总数据说说说唱歌手不太喜欢喝威士忌，威士忌前面也有龙舌兰酒、白兰地、朗姆酒，仅限于图表的大小，我没有把这些列入图表。香槟作为财富的象征，遥遥领先，但国内饶舌歌手似乎处于消费尚未升级的水平，啤酒排名第一。外国人更喜欢金酒，国内饶舌歌手几乎没有提到，虽然金酒一般用来调节*尾酒，但*尾酒提到的次数也很少。绝对伏特加在《中国有嘻哈》中做广告的确是找对了地方，说唱人对伏特加的偏好高于普通人。所以rapper是怎么喝金酒的？我看了看歌词。“Sippin’ginandjuiceLayin’underneaththepalmtrees”，gin&juice是最常见的组合，rapper特别喜欢，因为它的名字是rapperSnopdogg发送的同名单曲。“ThinkweajokeI’llputthreeinyourthroatDrunkoffginandC&C;cokethenwefleeinaboat金酒与可乐混合，听起来不错。“Rollingweedinrawpapers,takingshots,gingotmefadedIfIgetbacktoyourspot,won’tknowhowImadeit一边飞叶一边喝金酒！“Havin’funwithsomebitchessmokin’weedintherideOnthecornerwithmydogsdrinkin’gintosurvive这个rapper和一只狗喝gin，似乎有很多故事。“Swimmin’underwaterlikeI’maquamanIusedtodrinkginnowit’svodkaman“，这个raper喝腻了，从金酒到伏特加阵营...然后，我们来看看药物控制的情况。 果然，大家还是喜欢叶子，不只是饶舌歌手。饶舌歌手喜欢互相diss，所以他们diss会骂什么？让我们看看他们都骂了什么脏话。这个统计有一个小插曲。第一次统计发现没有中文脏话，以为净网运动成功了。结果发现分词的词库里根本没有脏话，重新手动加入词库就好了。(左边是所有数据的数量，右边是大陆说唱的数量)大陆16284首歌有2496首脏话，脏话率约为15%，而不是大陆数据。33134首歌有13217首脏话，脏话率约为40%。总体而言，我国歌手更符合社会主义核心价值观。我试着把“damn”和“shit“这两个不那么“脏”、口语常见的词在国外统计中被去掉，最后脏话率还是33%，比例远高于大陆。一种推测是，英语脏话词汇在歌词中更容易押韵，或者唱flow更容易把握。另一种可能是审查原因。早就有了“in3”这样的乐队英文歌词被禁，国内的说唱歌词也不能太奔放。最后，让我们来讨论一下rap中的押韵。在《中国有嘻哈》中，我们可以看到各种层出不穷的押韵，包括单押、双押、三押。旋律、押韵和节奏是说唱歌曲的三个重要标准。一个好的押韵可以使歌曲的flow更加流畅。那我们怎样才能唱出酷酷的押韵呢？我从歌词库中取出所有的歌词，分词，然后根据韵母和声调进行分类，然后得到押韵词汇文件。韵脚的分布挺有意思的。我统计了前十个字的韵脚，可以看出ii是最容易押韵的。下图中这个韵脚的部分词汇。“势利”、“世纪”、“日志”、“秘密”……看着这些话，我忍不住说出来了，dropthebeat！双押x9达成！以上应该能告诉你中国有什么样的嘻哈。到目前为止，歌词分析还有更多的工作要做，比如统计歌手的词汇量，国外Mattdaniels统计饶舌歌手的词汇量（点击阅读原文），并与莎士比亚的词汇量进行比较。