一、 實作前情境：為什麼要檢視類別特徵？
昨天我們完成了 7 個數值型欄位的 describe() 檢驗，確認數值都在合理生理範圍內。
但這份資料集還有 6 個屬於字串物件的類別欄位：

1. 人口學變數：Gender（性別）、Role（身分）
2. 護眼與就醫習慣：Blue_Light_Filter_Used（藍光濾鏡）、Eye_Checkup_Last_Year（去年是否眼科檢查）
3. 自覺症狀與風險：Blurred_Vision（視力模糊）、Digital_Eye_Strain_Risk（用眼疲勞綜合風險等級）
   在正式視覺化之前，必須先確認：

• 類別文字是否有髒污（例如出現多餘空白 'Yes ' 與 'Yes' 被判定為兩類）？
• 樣本類別比例是否極度失衡（Class Imbalance，例如99%都是同一類）？

二、 撰寫與執行類別檢驗腳本
在昨天的單元格下方，新增一個程式碼儲存格，寫一個迴圈一次印出所有類別欄位的次數與百分比：

# ==========================================
# Day 5：類別變數分佈與受試者輪廓探索
# ==========================================

# 1.篩選出所有資料型態為 object 的類別欄位
categorical_cols = df.select_dtypes(include=['object']).columns

print(f"共有 {len(categorical_cols)} 個類別欄位需要檢驗：\n{categorical_cols.tolist()}\n")

# 2.依序印出每個欄位的次數統計與百分比
for col in categorical_cols:
    print(f"=== 欄位：{col} ===")
    counts = df[col].value_counts()
    percentages = df[col].value_counts(normalize=True) * 100
    
    # 結合成 DataFrame 方便閱讀
    summary = pd.DataFrame({'人數 (筆數)': counts, '佔比 (%)': percentages.round(1)})
    print(summary)
    print("-" * 35)

三、執行結果解讀與受試者輪廓畫像
人口學結構：均衡且具多元性

• 性別：女性266人（53.2%）、男性226人（45.2%）、其他8人（1.6%）。男女比約1:1，樣本代表性相當不錯。
• 角色身分：學生266人（53.2%）、職場人士234人（46.8%）。兩大目標族群幾乎呈現1:1對稱分佈，後續非常適合做兩組族群用眼習慣的橫向對比。
  護眼與就醫習慣現況
• 藍光濾鏡使用率 (Blue_Light_Filter_Used)：有使用（Yes）為303人（60.6%）、未啟用（No）為197人（39.4%）。超過六成的受試者具備基本的藍光防護意識，兩組樣本人數均破百，後續做差異性假設檢定（Hypothesis Testing）時樣本量非常充足！
• 過去一年眼科檢查 (Eye_Checkup_Last_Year)：未檢查（No）260人（52.0%）、有檢查（Yes）240人（48.0%）。剛好維持在一半一半的狀態，顯示現代人對於主動就診檢查眼睛的習慣存在明顯分野。
  視力症狀與綜合風險指標（專案核心亮點）
  1.視力模糊症狀 (Blurred_Vision)：高達 31.0%（155人） 的受試者明確表示在用眼後有出現視力模糊症狀！這近三分之一的比例，是我們探討「到底是每日螢幕時數過長、還是不休息導致視力模糊」的最佳切入點。
  2.用眼疲勞綜合風險等級 (Digital_Eye_Strain_Risk)：
• 中度風險 (Medium)：235人（47.0%），近半數族群處於亞健康狀態。
• 高度風險：147人（29.4%），接近三成受試者眼睛疲勞風險嚴重超標。
• 低度風險：118人（23.6%）。
• 解讀：中高風險加總高達76.4%，呈現典型的金字塔或紡錘型分佈，完全沒有嚴重的類別失衡，後續做多分類視覺化或特徵影響分析時結構非常扎實。