使用 NumPy 分析我的日常习惯（睡眠、屏幕时间和情绪）

一个小型 NumPy 项目系列，我尝试使用 NumPy 实际构建一些东西，而不是仅仅浏览随机函数和文档。我一直认为最好的学习方式就是实践，所以在这个项目中，我想创造一些既实用又个性化的东西。

构建一些东西

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总体幸福感。数据不真实；这是虚构的，模拟了 30 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。

那么让我们一步一步地完成这个过程。

第 1 步 — 加载和理解数据

我首先创建一个简单的 NumPy 数组，其中包含 30 行（每天一行）和六列 ——每列代表不同的习惯指标。然后我将其保存为 .npy 文件，以便稍后轻松加载。

.npy

# TODO：导入 NumPy 并加载 .npy 数据文件import numpy as npdata = np.load(‘activity_data.npy’)

加载后，我想确认一切看起来都符合预期。因此，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，而不是 1D 列表）。

形状 维度数

# TODO: 打印数组形状、前几行等.data.shapedata.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很好  - 例如，睡眠时间不是负值或者情绪值在合理的范围内。

# TODO：前 5 行数据[: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.]])

步骤 2 — 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，但这仍然是一个很好的做法。

所以我检查了：

无负睡眠时间

split()