一、前言

在前幾天的學習中，我們已經完成健康習慣追蹤系統的基本功能整合，也透過測試資料確認系統能夠正常新增、儲存及查詢健康紀錄。

然而，健康紀錄的價值不只是保存每天的數據，更重要的是透過長期累積的資料，觀察自己的生活習慣是否有所改變。

例如，喝水量是否逐漸增加？睡眠時間是否穩定？運動頻率是否有所提升？不同習慣之間是否可能存在關聯？

因此，今天將進一步使用 Pandas 分析測試資料，透過平均值、趨勢變化與相關性分析，從原始紀錄中整理出更有意義的資訊。

二、今日學習目標

認識健康資料分析的基本概念。

使用 Pandas 整理不同日期的健康紀錄。

分析喝水量、睡眠時間與運動時間的變化。

比較不同日期的數據差異。

學習使用相關係數觀察變數之間的關聯。

將分析結果轉換成容易理解的資訊。

三、認識健康資料分析

健康資料分析是透過整理與比較已經收集的資料，了解個人生活習慣的變化。

以本專案為例，目前系統主要收集以下資料：

透過這些資料，可以從不同角度了解個人習慣，而不只是單純查看每天輸入的數值。

四、載入與整理健康測試資料

首先，使用 Pandas 讀取前一天建立的測試資料。

import pandas as pd

df = pd.read_csv("test_health_records.csv")

df["date"] = pd.to_datetime(
df["date"],
errors="coerce"
)

numeric_columns = [
"water_ml",
"sleep_hours",
"exercise_minutes"
]

for col in numeric_columns:
df[col] = pd.to_numeric(
df[col],
errors="coerce"
)

df = df.dropna(subset=["date"])

df = df.sort_values("date")

print(df)

這段程式會讀取 CSV，將日期轉換成日期格式，並將喝水量、睡眠時間及運動時間轉換成數值型態。

透過 sort_values()，可以按照日期由舊到新排列資料，方便後續觀察變化。

五、分析每日健康習慣變化

1. 分析喝水量變化

首先，觀察不同日期的喝水量。

water_data = df[
["date", "water_ml"]
].dropna()

print("平均喝水量：")
print(water_data["water_ml"].mean())

print("最高喝水量：")
print(water_data["water_ml"].max())

print("最低喝水量：")
print(water_data["water_ml"].min())

這裡使用三種常見的統計方式：

mean()：計算平均值。

max()：找出最大值。

min()：找出最小值。

根據前一天建立的五筆測試資料：

平均喝水量為 1880 ml。

最高喝水量為 2200 ml。

最低喝水量為 1500 ml。

透過這些數值，可以快速了解測試期間的喝水量分布。

2. 分析睡眠時間變化

接著，觀察每日睡眠時間。

sleep_data = df[
["date", "sleep_hours"]
].dropna()

print("平均睡眠時間：")
print(sleep_data["sleep_hours"].mean())

print("最長睡眠時間：")
print(sleep_data["sleep_hours"].max())

print("最短睡眠時間：")
print(sleep_data["sleep_hours"].min())

根據測試資料，平均睡眠時間為 7 小時，最長為 8 小時，最短為 6 小時。

除了平均值之外，也可以比較每天的睡眠時間，觀察是否有明顯的波動。

3. 分析運動時間變化

最後，整理每日運動時間。

exercise_data = df[
["date", "exercise_minutes"]
].dropna()

print("總運動時間：")
print(exercise_data["exercise_minutes"].sum())

print("平均每日運動時間：")
print(exercise_data["exercise_minutes"].mean())

print("運動時間最多的一天：")
print(exercise_data.loc[
exercise_data["exercise_minutes"].idxmax()
])

其中：

sum()：計算所有紀錄的運動時間總和。

mean()：計算平均每日運動時間。

idxmax()：找出運動時間最大值所在的資料位置。

依照五筆測試資料，總運動時間為 155 分鐘，平均每日運動時間為 31 分鐘。

六、觀察不同健康習慣的變化趨勢

除了計算平均值，也可以透過圖表觀察不同日期的變化。

import streamlit as st

st.subheader("喝水量變化")

water_chart = df.set_index("date")["water_ml"]

st.line_chart(water_chart)

st.subheader("睡眠時間變化")

sleep_chart = df.set_index("date")["sleep_hours"]

st.line_chart(sleep_chart)

st.subheader("運動時間變化")

exercise_chart = df.set_index("date")["exercise_minutes"]

st.bar_chart(exercise_chart)

這裡使用 Streamlit 的折線圖與長條圖呈現資料。

折線圖適合觀察喝水量與睡眠時間隨日期的變化；長條圖則可以比較不同日期的運動時間。

透過視覺化，使用者不需要逐筆閱讀數據，也能快速發現哪些日期的數值比較高或比較低。

七、觀察不同習慣之間的關聯

除了個別分析每一項健康習慣，也可以進一步觀察不同數據之間是否具有關聯。

例如，想了解睡眠時間與運動時間是否呈現某種共同變化，可以使用 Pandas 的 corr() 計算相關係數。

correlation = df[
[
"water_ml",
"sleep_hours",
"exercise_minutes"
]
].corr()

print("健康習慣相關係數：")
print(correlation)

相關係數的數值介於 -1 到 1：

例如，如果睡眠時間與運動時間的相關係數接近 1，代表在這組資料中，兩者有較明顯的正向線性關聯。

不過，相關性不代表因果關係。即使兩項數據同時增加，也不能直接認定其中一項造成另一項改變。

另外，本次只有五筆測試資料，因此相關係數僅適合用來練習計算與理解概念，不能據此推論真實的健康習慣關係。

八、整理健康資料分析結果

完成上述分析後，可以將結果整理成一份簡單的統計表。

從這份測試資料可以發現，不同日期的喝水量、睡眠時間與運動時間都有所差異。

透過統計數據與圖表，可以更容易掌握資料的分布與變化，而不是只依賴單一天的紀錄判斷整體情況。

需要注意的是，這些數據是為了測試系統而建立的模擬資料，並不代表真實使用者的生活習慣。

九、今日成果與學習心得

今天的學習重點，是讓健康習慣追蹤系統從單純的資料紀錄工具，逐漸具備資料分析的能力。

過去的系統主要負責保存每天輸入的喝水量、睡眠時間與運動時間，而透過今天的分析，我們可以進一步計算平均值、比較不同日期的數據，並觀察各項習慣的變化趨勢。

此外，也學習到相關係數的基本概念，理解不同資料之間可能存在關聯，但不能只根據相關性就推論因果關係。

這次練習讓我了解到，資料分析不只是將數字整理成表格，更重要的是從資料中找出值得觀察的現象，並以容易理解的方式呈現給使用者。

十、下一步學習方向

明天將進入 Day 29，主要任務是整理專案成果與展示內容。

目前已經完成系統規劃、資料設計、功能開發、測試、介面改善與資料分析。接下來需要將這些開發過程整理成完整的專案成果，包含系統功能介紹、操作畫面、測試結果與開發心得，讓其他人也能清楚了解這三十天的學習成果。

今日總結：透過 Pandas 分析健康測試資料，計算喝水量、睡眠時間與運動時間的統計數值，並使用圖表及相關係數觀察不同健康習慣的變化，讓系統從資料紀錄進一步延伸至資料分析。