使用Python进行健身手表数据分析

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：

1. 从健身手表收集数据，确保数据准确可靠。

2. 执行EDA以获得对数据的初步了解。

3. 从原始数据中创建可能提供更有意义的见解的新功能。

4. 创建数据的可视化表示，以有效地传达见解。

5. 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())  

1
2
3
4
5
6
7
8
9

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  
1
2
3
4
5
6
7
8
9
10
11
12
13

让我们看看这个数据是否包含任何null值：

1print(data.isnull().sum())  

1
2

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  

1
2
3
4
5
6
7
8
9
10

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, x="Time",  
3               y="Step Count",  
4               title="Step Count Over Time")  
5fig1.show()  

1
2
3
4
5
6

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, x="Time",  
3               y="Distance",  
4               title="Distance Covered Over Time")  
5fig2.show()  

1
2
3
4
5
6

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, x="Time",  
3               y="Energy Burned",  
4               title="Energy Burned Over Time")  
5fig3.show()  

1
2
3
4
5
6

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, x="Time",  
3               y="Walking Speed",  
4               title="Walking Speed Over Time")  
5fig4.show()  

1
2
3
4
5
6

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, x="Date",  
5              y="Step Count",  
6              title="Average Step Count per Day")  
7fig5.update_xaxes(type='category')  
8fig5.show()  

1
2
3
4
5
6
7
8
9

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, x="Time",  
5               y="Walking Efficiency",  
6               title="Walking Efficiency Over Time")  
7fig6.show()  

1
2
3
4
5
6
7
8

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                        right=False)  
 6  
 7data["Time Interval"] = time_intervals  
 8  
 9# Variations in Step Count and Walking Speed by Time Interval  
10fig7 = px.scatter(data, x="Step Count",  
11                  y="Walking Speed",  
12                  color="Time Interval",  
13                  title="Step Count and Walking Speed Variations by Time Interval",  
14                  trendline='ols')  
15fig7.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

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                 values="value",  
14                 color="variable",  
15                 hover_data=["value"],  
16                 title="Daily Averages for Different Metrics")  
17fig.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

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_vars=metrics_to_visualize)  
 7  
 8fig = px.treemap(daily_avg_metrics_melted,  
 9                 path=["variable"],  
10                 values="value",  
11                 color="variable",  
12                 hover_data=["value"],  
13                 title="Daily Averages for Different Metrics (Excluding Step Count)")  
14fig.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

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