EAvilesL/Billboard_Songs

Billboard Hot 100 Number Ones (1958 – 2025)

Dataset Summary

Este dataset reúne información exhaustiva y estructurada sobre cada canción que alcanzó el puesto #1 en la lista Billboard Hot 100 de Estados Unidos, cubriendo el periodo comprendido entre el 4 de agosto de 1958 (con "Poor Little Fool" de Ricky Nelson) y el 11 de enero de 2025.

El dataset fue compilado originalmente por Chris Dalla Riva como parte de la investigación para su libro "Uncharted Territory: What Numbers Tell Us about the Biggest Hit Songs and Ourselves" y su newsletter "Can't Get Much Higher". Durante siete años, el autor escuchó y catalogó cada canción número uno, registrando una cantidad extraordinaria de información musical, comercial, demográfica, lírica y de audio features.

Esta versión ha sido curada por Jen Richmond (R-Ladies Sydney) y publicada como parte del proyecto TidyTuesday del 26 de agosto de 2025. Se distribuye en dos archivos complementarios:

• billboard.csv: dataset principal con 103 variables por canción.
• topics.csv: diccionario de los temas líricos utilizados en billboard.csv.

Objetivo del análisis

Este proyecto forma parte del curso Descubrimiento de conocimientos de datos complejos y busca estudiar la evolución del contenido explícito (explicit) en los hits #1 de Billboard y su posible relación con:

1. La década en la que la canción alcanzó el #1.
2. El perfil demográfico del artista (sexo: artist_male; raza: artist_white, artist_black).
3. El perfil demográfico de los productores (sexo: producer_male; raza: producer_white).
4. El éxito comercial medido en semanas en el #1 (weeks_at_number_one) y rating crítico (overall_rating).

Preguntas de investigación

Estas son las preguntas concretas que este análisis pretende responder:

1. Evolución temporal del contenido explícito: ¿Cómo ha cambiado la proporción de canciones #1 con contenido explícito (explicit = 1) desde 1958 hasta 2025? ¿Se observa un aumento sostenido por década?

2. Artistas y explicit: ¿Existe una diferencia significativa en la proporción de canciones explícitas entre artistas masculinos (artist_male = 1), femeninos (artist_male = 0) o mixtos (artist_male = 2)? ¿Se ha reducido esa brecha con el tiempo?

3. Raza del artista y explicit: ¿Son los artistas negros (artist_black = 1) más propensos a tener hits #1 con contenido explícito que los artistas blancos (artist_white = 1)? ¿Cómo ha evolucionado esta relación por década?

4. Productores y explicit: ¿Existe una correlación entre el perfil demográfico de los productores (producer_male, producer_white) y la presencia de contenido explícito en las canciones? ¿El cambio en la composición demográfica de los productores a lo largo del tiempo explica parte del aumento de contenido explícito?

5. Explicit y éxito comercial: ¿Las canciones con contenido explícito tienen un rendimiento distinto en el chart que las no explícitas? Concretamente:

   • ¿Tienen más o menos weeks_at_number_one?
   • ¿Tienen mayor o menor overall_rating?
   • ¿Son más o menos divisivas (divisiveness)?

6. Interacción entre variables: ¿Existe una interacción entre década, demografía (artistas y productores) y contenido explícito a la hora de predecir el éxito comercial de un hit #1?

7. Temas líricos y explicit: ¿Qué temas líricos (lyrical_topic) están más asociados con contenido explícito? ¿Han cambiado estos temas por década?

8. Artefactos históricos: ¿Cómo afectan eventos culturales clave (aparición del hip-hop en los 80-90, era del streaming post-2010) al contenido explícito y al perfil demográfico de los artistas y productores #1?

Detalles clave

Atributo	Valor
Autor original	Chris Dalla Riva
Curaduría TidyTuesday	Jen Richmond (R-Ladies Sydney)
Fuente	TidyTuesday 2025-08-26
Idioma principal	Inglés (con títulos y letras en otros idiomas)
Tamaño	347 canciones × 103 variables
Periodo	1958-08-04 → 2025-01-11
Formato	CSV (UTF-8)
Licencia	CC BY 4.0
Contexto académico	Proyecto de Descubrimiento de conocimientos de datos complejos

---

Supported Tasks and Leaderboards

Tarea	Descripción
Clasificación de contenido explícito	Predecir explicit a partir de features musicales, demográficas y temporales.
Análisis de tendencias temporales	Estudiar la evolución de BPM, tonalidad, energía, "happiness", duración y contenido explícito por década.
Predicción de éxito comercial	Modelar weeks_at_number_one o overall_rating a partir de metadatos, demografía y features musicales.
Análisis demográfico	Estudiar la representación de género (artist_male, producer_male), raza (artist_white, artist_black, producer_white) y su evolución temporal.
Topic modeling sobre letras	Detectar tópicos recurrentes en lyrics y cruzarlos con lyrical_topic y explicit.
Análisis de sentimiento	A partir de happiness, lyrical_topic y lyrics.
Análisis de estructura musical	Estudiar la evolución de song_structure, time_signature, length_sec.
Análisis de instrumentación	Detectar qué instrumentos han sido más frecuentes en cada década.
Análisis de asociaciones culturales	Estudiar la relación entre canciones y películas, TV, teatro o Eurovisión.

No existe un leaderboard oficial asociado, pero se anima a la comunidad a publicar resultados en el Hub.

---

Languages

El dataset está compuesto principalmente por textos en inglés (song, artist, lyrics), reflejando el predominio anglosajón del chart estadounidense. Sin embargo, contiene también:

• Italiano: "Nel Blu Dipinto Di Blu" (Domenico Modugno, 1958).
• Español: "La Bamba" (Los Lobos, 1987), "Macarena" (Los Del Rio, 1996), "Despacito" (Luis Fonsi & Daddy Yankee, 2017).
• Francés: "Dominique" (The Singing Nun, 1963).
• Japonés: "Sukiyaki" (Kyu Sakamoto, 1963).
• Alemán: "99 Luftballons" (Nena).

La columna foreign_language permite filtrar los registros con idiomas distintos del inglés.

---

How to Use

Carga con datasets (Hugging Face)

from datasets import load_dataset

dataset = load_dataset("<<TU_USUARIO_HF>>/billboard-number-one-hits")

billboard = dataset["billboard"]
print(billboard[0])
print(f"Total de canciones: {billboard.num_rows}")

topics = dataset["topics"]
print(topics[0])