我一直在运行一个小型 NumPy 项目系列，我尝试使用 NumPy 实际构建一些东西，而不仅仅是通过随机函数和文档。我一直觉得最好的学习方式是边做边做，所以在这个项目中，我想创造一些既实用又个性化的东西。

这个想法很简单：分析我的日常习惯——睡眠、学习时间、屏幕时间、锻炼和情绪——看看它们如何影响我的工作效率和整体健康。数据不是真实的;它是虚构的，模拟了 30 多天。但目标不是数据的准确性，而是学习如何有意义地使用 NumPy。

第 1 步 — 加载和理解数据

我首先创建了一个简单的 NumPy 数组，其中包含 30 行（每天一行）和 6 列——每列代表不同的习惯指标。然后我把它保存为一个文件，以便以后可以轻松加载它。.npy

# TODO: Import NumPy and load the .npy data file
import numpy as np
data = np.load(‘activity_data.npy’)

加载后，我想确认一切看起来都符合预期。所以我检查了形状（以了解有多少行和列）和维度数（以确认它是 2D 表格，而不是 1D 列表）。

# TODO: Print array shape, first few rows, etc.
data.shape
data.ndim

输出：30 行，6 列，ndim=2

我还打印了前几行，只是为了直观地确认每个值看起来都不错——例如，睡眠时间不是负数，或者情绪值在合理的范围内。

# TODO: Top 5 rows
data[:5]

输出：

array([[ 1. , 6.5, 5. , 4.2, 20. , 6. ],
[ 2. , 7.2, 6. , 3.1, 35. , 7. ],
[ 3. , 5.8, 4. , 5.5, 0. , 5. ],
[ 4. , 8. , 7. , 2.5, 30. , 8. ],
[ 5. , 6. , 5. , 4.8, 10. , 6. ]])

第 2 步 — 验证数据

在进行任何分析之前，我想确保数据有意义。这是我们在处理虚构数据时经常跳过的事情，但它仍然是很好的做法。

所以我检查了：

• 没有负睡眠时间
• 情绪评分不低于 1 或大于 10

对于睡眠，这意味着选择睡眠列（我的数组中的索引 1）并检查是否有任何值低于零。

# Make sure values are reasonable (no negative sleep)
data[:, 1] < 0

输出：

array([False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False])

这意味着没有负面因素。然后我对情绪也做了同样的事情。我数了数，发现情绪列的索引为 5，并检查是否有低于 1 或高于 10 的。

# Is mood out of range?
data[:, 5] < 1
data[:, 5] > 10

我们得到了相同的输出。

一切看起来都很好，所以我们可以继续前进。

第 3 步 — 将数据拆分为周

我有 30 天的数据，我想每周分析它。第一个直觉是使用 NumPy 的函数，但失败了，因为 30 不能被 4 整除。所以，我使用了 ，它允许不均匀的分割。split()np.array_split()

这给了我：

• 第 1 周→ 8 天
• 第 2 周→ 8 天
• 第 3 周→ 7 天
• 第 4 周→ 7 天

# TODO: Slice data into week 1, week 2, week 3, week 4
weekly_data = np.array_split(data, 4)
weekly_data

输出：

[array([[ 1. , 6.5, 5. , 4.2, 20. , 6. ],
[ 2. , 7.2, 6. , 3.1, 35. , 7. ],
[ 3. , 5.8, 4. , 5.5, 0. , 5. ],
[ 4. , 8. , 7. , 2.5, 30. , 8. ],
[ 5. , 6. , 5. , 4.8, 10. , 6. ],
[ 6. , 7.5, 6. , 3.3, 25. , 7. ],
[ 7. , 8.2, 3. , 6.1, 40. , 7. ],
[ 8. , 6.3, 4. , 5. , 15. , 6. ]]),
array([[ 9. , 7. , 6. , 3.2, 30. , 7. ],
[10. , 5.5, 3. , 6.8, 0. , 5. ],
[11. , 7.8, 7. , 2.9, 25. , 8. ],
[12. , 6.1, 5. , 4.5, 15. , 6. ],
[13. , 7.4, 6. , 3.7, 30. , 7. ],
[14. , 8.1, 2. , 6.5, 50. , 7. ],
[15. , 6.6, 5. , 4.1, 20. , 6. ],
[16. , 7.3, 6. , 3.4, 35. , 7. ]]),
array([[17. , 5.9, 4. , 5.6, 5. , 5. ],
[18. , 8.3, 7. , 2.6, 30. , 8. ],
[19. , 6.2, 5. , 4.3, 10. , 6. ],
[20. , 7.6, 6. , 3.1, 25. , 7. ],
[21. , 8.4, 3. , 6.3, 40. , 7. ],
[22. , 6.4, 4. , 5.1, 15. , 6. ],
[23. , 7.1, 6. , 3.3, 30. , 7. ]]),
array([[24. , 5.7, 3. , 6.7, 0. , 5. ],
[25. , 7.9, 7. , 2.8, 25. , 8. ],
[26. , 6.2, 5. , 4.4, 15. , 6. ],
[27. , 7.5, 6. , 3.5, 30. , 7. ],
[28. , 8. , 2. , 6.4, 50. , 7. ],
[29. , 6.5, 5. , 4.2, 20. , 6. ],
[30. , 7.4, 6. , 3.6, 35. , 7. ]])]

现在数据分为四个块，我可以轻松地分别分析每个块。

第 4 步 — 计算每周指标

我想了解每个习惯每周的变化。所以我专注于四件主要事情：

• 平均睡眠时间
• 平均学习时间
• 平均屏幕时间
• 平均情绪得分

我将每周的数组存储在一个单独的变量中，然后用于计算每个指标的平均值。np.mean()

平均睡眠时间

# store into variables
week_1 = weekly_data[0]
week_2 = weekly_data[1]
week_3 = weekly_data[2]
week_4 = weekly_data[3]
# TODO: Compute average sleep
week1_avg_sleep = np.mean(week_1[:, 1])
week2_avg_sleep = np.mean(week_2[:, 1])
week3_avg_sleep = np.mean(week_3[:, 1])
week4_avg_sleep = np.mean(week_4[:, 1])

平均学习时间

# TODO: Compute average study hours
week1_avg_study = np.mean(week_1[:, 2])
week2_avg_study = np.mean(week_2[:, 2])
week3_avg_study = np.mean(week_3[:, 2])
week4_avg_study = np.mean(week_4[:, 2])

平均屏幕时间

# TODO: Compute average screen time
week1_avg_screen = np.mean(week_1[:, 3])
week2_avg_screen = np.mean(week_2[:, 3])
week3_avg_screen = np.mean(week_3[:, 3])
week4_avg_screen = np.mean(week_4[:, 3])

平均情绪时间

# TODO: Compute average mood score
week1_avg_mood = np.mean(week_1[:, 5])
week2_avg_mood = np.mean(week_2[:, 5])
week3_avg_mood = np.mean(week_3[:, 5])
week4_avg_mood = np.mean(week_4[:, 5])

然后，为了使所有内容更易于阅读，我很好地格式化了结果。

# TODO: Display weekly results clearly
print(f”Week 1 — Average sleep: {week1_avg_sleep:.2f} hrs, Study: {week1_avg_study:.2f} hrs, “
f”Screen time: {week1_avg_screen:.2f} hrs, Mood score: {week1_avg_mood:.2f}”)
print(f”Week 2 — Average sleep: {week2_avg_sleep:.2f} hrs, Study: {week2_avg_study:.2f} hrs, “
f”Screen time: {week2_avg_screen:.2f} hrs, Mood score: {week2_avg_mood:.2f}”)
print(f”Week 3 — Average sleep: {week3_avg_sleep:.2f} hrs, Study: {week3_avg_study:.2f} hrs, “
f”Screen time: {week3_avg_screen:.2f} hrs, Mood score: {week3_avg_mood:.2f}”)
print(f”Week 4 — Average sleep: {week4_avg_sleep:.2f} hrs, Study: {week4_avg_study:.2f} hrs, “
f”Screen time: {week4_avg_screen:.2f} hrs, Mood score: {week4_avg_mood:.2f}”)

输出：

Week 1 – Average sleep: 6.94 hrs, Study: 5.00 hrs, Screen time: 4.31 hrs, Mood score: 6.50
Week 2 – Average sleep: 6.97 hrs, Study: 5.00 hrs, Screen time: 4.39 hrs, Mood score: 6.62
Week 3 – Average sleep: 7.13 hrs, Study: 5.00 hrs, Screen time: 4.33 hrs, Mood score: 6.57
Week 4 – Average sleep: 7.03 hrs, Study: 4.86 hrs, Screen time: 4.51 hrs, Mood score: 6.57

第 5 步 — 理解结果

一旦我打印出数字，一些图案就开始出现。

前两周我的睡眠时间相当稳定（大约 6.9 小时），但在第三周，它们跃升至 7.1 小时左右。这意味着随着时间的推移，我“睡得更好”。到第四周，它大约保持在 7.0 小时左右。

对于学习时间，情况恰恰相反。第一周和第二周平均每天大约 5 小时，但到第四周，它已经下降到大约 4 小时。基本上，我一开始很强劲，但慢慢失去了动力——老实说，这听起来是对的。

然后是屏幕时间。这个有点痛。在第一周，每天大约有 4.3 小时，而且每周都在不断增加。经典的周期是早期保持高效，然后在本月晚些时候慢慢进入更多的“滚动休息”。

最后，有了情绪。我的情绪评分在第一周从 6.5 左右开始，在第二周略有上升到 6.6，然后在剩下的时间里徘徊在那里。它并没有发生戏剧性的变化，但有趣的是，在第二周看到一个小峰值——就在我的学习时间减少和我的屏幕时间增加之前。

为了使事情具有交互性，我认为使用 matplotlib 进行可视化会很棒。

第 6 步 — 寻找模式

现在我有了数字，我想知道为什么我的情绪在第二周上升了。

所以我并排比较了这几周。与后几周相比，第二周的睡眠不错，学习时间长，屏幕时间相对较少。

这或许可以解释为什么我的情绪分数在那里达到顶峰。到了第三周，尽管我睡得更多，但我的学习时间开始减少——也许我休息得更多，但完成的工作却更少，这并没有像我预期的那样改善我的情绪。

第 7 步 — 总结和后续步骤

在这个小项目中，我学到了一些关键的东西——既有关于 NumPy 的知识，也有关于这样的结构化分析。

我们从一系列虚构的日常习惯开始，学习如何检查其结构和有效性，将其拆分为有意义的块（周），然后使用简单的 NumPy作来分析每个片段。

这种小项目会提醒您，数据分析并不总是很复杂。有时只是问一些简单的问题，比如“我的屏幕时间如何随时间变化？