网站开发与制作论文开题,网站建设企业文化,做网站用什么配置笔记本,ie常用网站设置健身手表(Fitness Watch)数据分析涉及分析健身可穿戴设备或智能手表收集的数据#xff0c;以深入了解用户的健康和活动模式。这些设备可以跟踪所走的步数、消耗的能量、步行速度等指标。本文将带您完成使用Python进行Fitness Watch数据分析的任务。
Fitness Watch数据分析是健…健身手表(Fitness Watch)数据分析涉及分析健身可穿戴设备或智能手表收集的数据以深入了解用户的健康和活动模式。这些设备可以跟踪所走的步数、消耗的能量、步行速度等指标。本文将带您完成使用Python进行Fitness Watch数据分析的任务。
Fitness Watch数据分析是健康和保健领域企业的重要工具。通过分析健身可穿戴设备的用户数据公司可以了解用户行为提供个性化的解决方案并有助于改善用户的整体健康和福祉。
下面是我们在处理健身手表数据分析问题时可以遵循的过程 从健身手表收集数据确保数据准确可靠。 执行EDA以获得对数据的初步了解。 从原始数据中创建可能提供更有意义的见解的新功能。 创建数据的可视化表示以有效地传达见解。 根据时间间隔或健身指标水平对用户的活动进行分段并分析其表现。
因此该过程始于从健身手表收集数据。每款健身手表都可与智能手机上的应用程序配合使用。您可以从智能手机上的该应用程序收集数据。例如这里用的是从苹果的健康应用程序收集了的一个健身手表的数据。
使用Python进行分析
现在让我们通过导入必要的Python库和数据集来开始Fitness Watch数据分析的任务
1import pandas as pd
2import plotly.io as pio
3import plotly.graph_objects as go
4pio.templates.default plotly_white
5import plotly.express as px
6
7data pd.read_csv(Apple-Fitness-Data.csv)
8print(data.head())
输出 1 Date Time Step Count Distance Energy Burned \ 20 2023-03-21 16:01:23 46 0.02543 14.620 31 2023-03-21 16:18:37 645 0.40041 14.722 42 2023-03-21 16:31:38 14 0.00996 14.603 53 2023-03-21 16:45:37 13 0.00901 14.811 64 2023-03-21 17:10:30 17 0.00904 15.153 7 8 Flights Climbed Walking Double Support Percentage Walking Speed 90 3 0.304 3.060
101 3 0.309 3.852
112 4 0.278 3.996
123 3 0.278 5.040
134 3 0.281 5.184 让我们看看这个数据是否包含任何null值
1print(data.isnull().sum())
输出
1Date 0
2Time 0
3Step Count 0
4Distance 0
5Energy Burned 0
6Flights Climbed 0
7Walking Double Support Percentage 0
8Walking Speed 0
9dtype: int64
因此数据没有任何空值。让我们进一步分析步数随时间的变化
1# Step Count Over Time
2fig1 px.line(data, xTime,
3 yStep Count,
4 titleStep Count Over Time)
5fig1.show() 现在让我们来看看随着时间的推移所覆盖的距离
1# Distance Covered Over Time
2fig2 px.line(data, xTime,
3 yDistance,
4 titleDistance Covered Over Time)
5fig2.show() 现在让我们来看看能量随着时间推移的消耗
1# Energy Burned Over Time
2fig3 px.line(data, xTime,
3 yEnergy Burned,
4 titleEnergy Burned Over Time)
5fig3.show()
现在让我们来看看步行速度随着时间的推移
1# Walking Speed Over Time
2fig4 px.line(data, xTime,
3 yWalking Speed,
4 titleWalking Speed Over Time)
5fig4.show() 现在让我们计算并查看每天的平均步数
1# Calculate Average Step Count per Day
2average_step_count_per_day data.groupby(Date)[Step Count].mean().reset_index()
3
4fig5 px.bar(average_step_count_per_day, xDate,
5 yStep Count,
6 titleAverage Step Count per Day)
7fig5.update_xaxes(typecategory)
8fig5.show()
输出 现在让我们来看看步行效率
1# Calculate Walking Efficiency
2data[Walking Efficiency] data[Distance] / data[Step Count]
3
4fig6 px.line(data, xTime,
5 yWalking Efficiency,
6 titleWalking Efficiency Over Time)
7fig6.show() 现在让我们来看看步数和步行速度随时间间隔的变化 1# Create Time Intervals 2time_intervals pd.cut(pd.to_datetime(data[Time]).dt.hour, 3 bins[0, 12, 18, 24], 4 labels[Morning, Afternoon, Evening], 5 rightFalse) 6 7data[Time Interval] time_intervals 8 9# Variations in Step Count and Walking Speed by Time Interval
10fig7 px.scatter(data, xStep Count,
11 yWalking Speed,
12 colorTime Interval,
13 titleStep Count and Walking Speed Variations by Time Interval,
14 trendlineols)
15fig7.show()现在让我们比较所有健康和健身指标的日平均值 1# Reshape data for treemap 2daily_avg_metrics data.groupby(Date).mean().reset_index() 3 4daily_avg_metrics_melted daily_avg_metrics.melt(id_vars[Date], 5 value_vars[Step Count, Distance, 6 Energy Burned, Flights Climbed, 7 Walking Double Support Percentage, 8 Walking Speed]) 9
10# Treemap of Daily Averages for Different Metrics Over Several Weeks
11fig px.treemap(daily_avg_metrics_melted,
12 path[variable],
13 valuesvalue,
14 colorvariable,
15 hover_data[value],
16 titleDaily Averages for Different Metrics)
17fig.show()上图将每个健康和健身指标表示为矩形图块。每个图块的大小对应于度量的值并且图块的颜色表示度量本身。悬停数据在与可视化交互时显示每个指标的精确平均值。
步骤计数度量由于其与其他度量相比通常更高的数值而主导可视化使得难以有效地可视化其他度量中的变化。由于步数的值高于所有其他指标的值让我们再次查看此可视化但不包含步数 1# Select metrics excluding Step Count 2metrics_to_visualize [Distance, Energy Burned, Flights Climbed, 3 Walking Double Support Percentage, Walking Speed] 4 5# Reshape data for treemap 6daily_avg_metrics_melted daily_avg_metrics.melt(id_vars[Date], value_varsmetrics_to_visualize) 7 8fig px.treemap(daily_avg_metrics_melted, 9 path[variable],
10 valuesvalue,
11 colorvariable,
12 hover_data[value],
13 titleDaily Averages for Different Metrics (Excluding Step Count))
14fig.show()总结
这就是如何使用Python进行健身数据分析。Fitness Watch数据分析是健康和保健领域企业的重要工具。通过分析健身可穿戴设备的用户数据公司可以了解用户行为提供个性化的解决方案并有助于改善用户的整体健康和福祉。
题外话 感兴趣的小伙伴赠送全套Python学习资料包含面试题、简历资料等具体看下方。
CSDN大礼包全网最全《Python学习资料》免费赠送安全链接放心点击
一、Python所有方向的学习路线
Python所有方向的技术点做的整理形成各个领域的知识点汇总它的用处就在于你可以按照下面的知识点去找对应的学习资源保证自己学得较为全面。 二、Python必备开发工具
工具都帮大家整理好了安装就可直接上手
三、最新Python学习笔记
当我学到一定基础有自己的理解能力的时候会去阅读一些前辈整理的书籍或者手写的笔记资料这些笔记详细记载了他们对一些技术点的理解这些理解是比较独到可以学到不一样的思路。 四、Python视频合集
观看全面零基础学习视频看视频学习是最快捷也是最有效果的方式跟着视频中老师的思路从基础到深入还是很容易入门的。 五、实战案例
纸上得来终觉浅要学会跟着视频一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。 六、面试宝典 简历模板
CSDN大礼包全网最全《Python学习资料》免费赠送安全链接放心点击
若有侵权请联系删除
