延續生活型態變數探索，聚焦於另一項關鍵護眼行為——每小時休息次數（Break_Frequency_Per_Hour），分析其對「眼睛乾澀（Eye_Dryness_Level）」與「眼痛（Eye_Pain_Level）」的實際影響與趨勢。

一、實作前情境：眼科「20-20-20」法則在數據中的真實樣貌
在Day10的分析中，我們發現抗藍光濾鏡在緩解乾眼與眼痛上的效果非常有限。眼科醫學界常提倡更主動的護眼準則（如美國眼科醫學會推廣的20-20-20法則：每看螢幕20分鐘，眺望20英尺外20秒），強調「定時打斷長時間注視」才是讓睫狀肌放鬆、促使正常眨眼滋潤眼球的根本手段。

在我們的資料集中，Break_Frequency_Per_Hour 記錄了受試者每小時休息的次數（0次至3次）：

• 0次：長時間連續用眼，工作或學習期間完全不主動休息。
• 1 ~ 3次：每小時安排1到3次短暫離席或放鬆。

今天我們就要透過統計分組與視覺化，驗證一個核心問題：相較於被動的抗藍光設備，主動提高每小時休息頻率，是否能在數據中看見顯著的護眼效益？

二、撰寫休息頻率與症狀關聯腳本
為了同時觀察各組的資料分佈範圍（箱形圖）以及平均值的升降走勢（趨勢點圖），在Colab中新增儲存格，使用 sns.boxplot搭配sns.pointplot進行多子圖繪製：

# ==========================================
# Day 11：每小時休息次數對眼部症狀影響分析
# ==========================================

import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.font_manager as fm
import pandas as pd

# 引用中文字型
font_path = 'NotoSansTC-Regular.otf'
my_font = fm.FontProperties(fname=font_path)

# 1.建立1x2畫布佈局
fig, axes = plt.subplots(1, 2, figsize=(16, 6))
sns.set_theme(style="whitegrid")

# 設定漸層調色盤（由深至淺，代表休息頻率從低到高）
break_palette = sns.color_palette("Blues_r", n_colors=4)

# --- 圖 1：每小時休息次數 vs 眼睛乾澀程度 ---
sns.boxplot(
    data=df,
    x='Break_Frequency_Per_Hour',
    y='Eye_Dryness_Level',
    hue='Break_Frequency_Per_Hour',
    palette='Blues',
    legend=False,
    width=0.5,
    boxprops=dict(alpha=0.75),
    ax=axes[0]
)
# 疊加平均值趨勢線（Pointplot）
sns.pointplot(
    data=df,
    x='Break_Frequency_Per_Hour',
    y='Eye_Dryness_Level',
    color='#d9534f',
    errorbar=None,
    markers='o',
    linestyles='--',
    ax=axes[0]
)
axes[0].set_title('每小時休息次數 vs 眼睛乾澀程度', fontproperties=my_font, fontsize=14, fontweight='bold')
axes[0].set_xlabel('每小時休息次數（次/小時）', fontproperties=my_font, fontsize=12)
axes[0].set_ylabel('乾澀自評分數 (0-10 分)', fontproperties=my_font, fontsize=12)
axes[0].set_xticks([0, 1, 2, 3])
axes[0].set_xticklabels(['0 次 (不休息)', '1 次', '2 次', '3 次'], fontproperties=my_font, fontsize=11)

# --- 圖 2：每小時休息次數 vs 眼痛程度 ---
sns.boxplot(
    data=df,
    x='Break_Frequency_Per_Hour',
    y='Eye_Pain_Level',
    hue='Break_Frequency_Per_Hour',
    palette='Reds',
    legend=False,
    width=0.5,
    boxprops=dict(alpha=0.75),
    ax=axes[1]
)
# 疊加平均值趨勢線（Pointplot）
sns.pointplot(
    data=df,
    x='Break_Frequency_Per_Hour',
    y='Eye_Pain_Level',
    color='#2b5c8f',
    errorbar=None,
    markers='s',
    linestyles='--',
    ax=axes[1]
)
axes[1].set_title('每小時休息次數 vs 眼痛程度', fontproperties=my_font, fontsize=14, fontweight='bold')
axes[1].set_xlabel('每小時休息次數（次/小時）', fontproperties=my_font, fontsize=12)
axes[1].set_ylabel('眼痛自評分數 (0-10 分)', fontproperties=my_font, fontsize=12)
axes[1].set_xticks([0, 1, 2, 3])
axes[1].set_xticklabels(['0 次 (不休息)', '1 次', '2 次', '3 次'], fontproperties=my_font, fontsize=11)

plt.tight_layout()
plt.show()

# 2.精確量化：計算各休息組的樣本數與症狀統計量
print("=== 每小時休息次數分組指標統計 ===")
break_stats = df.groupby('Break_Frequency_Per_Hour').agg(
    受試人數=('Age', 'count'),
    乾澀平均=('Eye_Dryness_Level', 'mean'),
    乾澀中位數=('Eye_Dryness_Level', 'median'),
    眼痛平均=('Eye_Pain_Level', 'mean'),
    眼痛中位數=('Eye_Pain_Level', 'median')
).reset_index()

display(break_stats.round(2))

三、圖表解讀與客觀數據分析（打破假設的意外反轉）
觀察分組箱形圖疊加平均值折線的視覺化結果，配合詳細統計表格，可以得出以下具備深度討論價值的洞察：
1.樣本分佈均勻度極佳
樣本量：0次組132人、1次組126人、2次組112人、3次組130人。四個組別的人數都在110~130人之間，代表各組權重完全平衡，分析結果不會受到單一組別人數過少所偏誤。

2.眼睛乾澀程度（Eye_Dryness_Level）：休息次數多，乾澀評分反而微幅上升。
量化指標：

• 0 次（不休息）：平均4.45分，中位數4.0分。
• 1 次：平均4.40分，中位數4.0分。
• 2 次：平均4.96分，中位數5.0分。
• 3 次：平均5.07分，中位數5.0分，Q3 延伸至8.0分。

趨勢分析：

• 紅色虛線趨勢呈現平緩向上的走勢，從1次的4.40分上升至3次的5.07分。
• 在3次組中，箱體的上四分位數（Q3）明顯推高到8.0分，顯示休息頻率最高的人群中，重度乾澀的比例反而更高。

3. 眼痛程度（Eye_Pain_Level）：呈「V型微幅回升」，3次組疼痛感最顯著
   量化指標：

• 0 次（不休息）：平均4.95分，中位數5.0分。
• 1 次：平均4.69分，中位數4.0分（為全場最低點）。
• 2 次：平均5.13分，中位數5.0分。
• 3 次：平均5.55分，中位數推高至6.0分，箱體下緣（Q1）也拉升至3.0分。

趨勢分析：

• 藍色虛線在每小時休息1次時達到最低點（4.69分），但隨後在2次與3次組持續攀升至5.55分。
• 3次組的中位數黑線直接躍升至6.0分，成為各組別中眼痛感受最明顯的一群。

四、資料工程師的深度反思：為什麼多休息沒有降低不適？
這項違反常理直覺的結果，非常適合作為日誌的精彩核心反思：
實作洞察：相關不等於因果，是否存在「反向因果」？

• 假設 vs.現實：原本預期「每小時休息3次能有效預防乾澀眼痛」，但數據卻顯示「休息3次的人乾澀與眼痛最嚴重（5.07 / 5.55分）」。
• 臨床行為學解釋：在橫斷面調查中，這極可能是「因果倒置」——並非「休息導致眼睛痛」，而是「因為眼睛已經痛到難以忍受、乾到看不清，所以不得不頻繁停下手中工作休息」
• 適度休息的甜蜜點：值得注意的是，每小時休息1次的組別在眼痛指標上取得了全場最低的4.69分（中位數4.0分），顯示適度且主動的打斷用眼，依然存在潛在的舒緩效益。

這段分析把探索性資料分析（EDA）「用數據推翻直覺、提出合理假設」的精髓完全展現了出來！