【数据分析】基于工作与生活平衡及寿命数据集的数据分析与可视化

一、数据集基本概况

本次分析的数据集包含10,000条记录 和8个字段，数据质量优秀，无缺失值和重复行。

我用夸克网盘给你分享了「Updated Quality of Life Data 代码+数据集」，点击链接或复制整段内容，打开「夸克APP」即可获

链接：https://pan.quark.cn/s/a06376dbec44

字段名称	数据类型	说明
id	int64	唯一标识符
gender	object	性别（Male/Female）
occupation_type	object	职业类型（14种）
avg_work_hours_per_day	float64	平均每日工作时间
avg_rest_hours_per_day	float64	平均每日休息时间
avg_sleep_hours_per_day	float64	平均每日睡眠时间
avg_exercise_hours_per_day	float64	平均每日锻炼时间
age_at_death	int64	死亡年龄

《Work-Life Balance and Longevity Dataset》是一份聚焦个体生活方式与寿命关联的合成数据集，涵盖10,000个个体的年龄、职业、日均工作、休息、睡眠、锻炼时长及死亡年龄等核心信息，不仅具备每日活动时长总和约24小时的现实约束、5%极端生活模式异常值等特征，还内置了睡眠时长与寿命的非线性关系、职业及性别维度的差异化规律，其意义与价值在于为回归建模、机器学习实践、统计分析等研究工作提供了高质量数据支撑，既能助力探索工作时长、睡眠时长等因素对寿命的具体影响，又可用于教学场景中特征工程、模型稳健性测试等知识点的实操演示，为揭示生活方式与长寿之间的内在联系提供了可靠的数据基础。

二、代码

1. 数据加载：load_data函数

def load_data(file_path):
    """读取数据并进行基本信息探索"""
    print("正在读取数据...")
    df = pd.read_csv(file_path)
    print(f"数据集规模: {df.shape[0]}行 × {df.shape[1]}列")

    # 检查缺失值
    missing = df.isnull().sum()
    if missing.sum() > 0:
        print(f"存在缺失值的列: {missing[missing > 0].index.tolist()}")
    else:
        print("无缺失值")

    # 检查重复行
    duplicates = df.duplicated().sum()
    if duplicates > 0:
        print(f"发现 {duplicates} 个重复行")
    else:
        print("无重复行")

    return df

• 数据读取 ：使用pd.read_csv从指定路径读取CSV文件，将数据加载到DataFrame中，并打印数据集的规模，让我们对数据量有个初步认识。
• 缺失值检查 ：通过isnull().sum()统计每列的缺失值数量。如果存在缺失值，打印出包含缺失值的列名；若无缺失值，则给出相应提示。这一步对于了解数据完整性非常关键，缺失值可能会影响后续分析结果。
• 重复行检查 ：利用duplicated().sum()统计重复行的数量。若有重复行，告知用户重复行的个数；若没有，则提示无重复行。重复行可能会干扰数据分析，所以需要提前排查。最后返回加载并检查后的DataFrame。

2. 数据统计分析：analyze_data函数

def analyze_data(df):
    """数据统计分析"""
    print("\n正在进行统计分析...")

    # 分离数值型和分类型变量
    numeric_cols = df.select_dtypes(include=[np.number]).columns.tolist()
    categorical_cols = df.select_dtypes(include=['object']).columns.tolist()

    # 排除ID列（唯一标识符，不参与分析）
    if 'id' in numeric_cols:
        numeric_cols.remove('id')
    if 'ID' in numeric_cols:
        numeric_cols.remove('ID')
    if 'Id' in numeric_cols:
        numeric_cols.remove('Id')

    print(f"数值型变量: {numeric_cols}")
    print(f"分类型变量: {categorical_cols}")

    # 数值型变量描述统计
    print("\n数值型变量统计描述:")
    print(df[numeric_cols].describe().round(2))

    # 分类型变量分布
    print("\n分类型变量分布:")
    for col in categorical_cols:
        print(f"\n{col}: {df[col].value_counts().head()}")

    return numeric_cols, categorical_cols

• 变量类型分离 ：使用select_dtypes方法分别筛选出数值型和分类型变量，并将其列名存储在相应列表中。这样有助于针对不同类型变量进行特定的分析。
• 排除ID列 ：检查数值型变量列表中是否存在常见的ID列名（如id、ID、Id），若存在则将其移除，因为ID列通常是唯一标识符，不参与实际的统计分析。
• 数值型变量描述统计 ：调用describe方法生成数值型变量的统计描述，包括计数、均值、标准差、最小值、四分位数和最大值，并保留两位小数打印出来。这些统计量能让我们快速了解数值型变量的集中趋势、离散程度等特征。
• 分类型变量分布 ：遍历分类型变量列表，对每个分类型变量使用value_counts方法统计其不同取值的数量，并打印前5个值，以此了解分类型变量的分布情况。最后返回数值型和分类型变量的列名列表。

3. 数据可视化分析：visualize_data函数

def visualize_data(df, numeric_cols, categorical_cols, output_dir='.'):
    """数据可视化分析"""
    print(f"\n正在生成可视化图表，保存到: {output_dir}")

    # 1. 数值型变量分布
    if numeric_cols:
        plt.figure(figsize=(15, 10))
        for i, col in enumerate(numeric_cols, 1):
            plt.subplot(2, 3, i)
            plt.hist(df[col], bins=30, alpha=0.7, edgecolor='black')
            plt.title(col)
            plt.grid(True, alpha=0.3)
        plt.tight_layout()
        plt.savefig(f"{output_dir}/numerical_distributions.png", dpi=300)
        plt.close()
        print("✓ 数值型变量分布图已保存")

    # 2. 相关性分析
    if len(numeric_cols) >= 2:
        plt.figure(figsize=(10, 8))
        corr_matrix = df[numeric_cols].corr().round(2)
        plt.imshow(corr_matrix, cmap='RdBu_r', vmin=-1, vmax=1)
        plt.xticks(range(len(numeric_cols)), numeric_cols, rotation=45)
        plt.yticks(range(len(numeric_cols)), numeric_cols)
        plt.colorbar(label='相关系数')
        plt.title('变量相关性热力图')
        plt.tight_layout()
        plt.savefig(f"{output_dir}/correlation_analysis.png", dpi=300)
        plt.close()
        print("✓ 相关性分析图已保存")

    # 3. 性别对比
    if 'gender' in categorical_cols and numeric_cols:
        # 计算合适的子图网格大小
        n_vars = len(numeric_cols)
        n_cols = 2  
        n_rows = (n_vars + n_cols - 1) // n_cols  

        plt.figure(figsize=(12, 5 * n_rows))  
        for i, col in enumerate(numeric_cols, 1):
            plt.subplot(n_rows, n_cols, i)
            data = [df[df['gender'] == g][col] for g in df['gender'].unique()]
            plt.boxplot(data, labels=df['gender'].unique(), patch_artist=True)
            plt.title(f'{col} - 性别对比')
            plt.grid(True, alpha=0.3)
        plt.tight_layout()
        plt.savefig(f"{output_dir}/gender_comparison.png", dpi=300)
        plt.close()
        print("✓ 性别对比分析图已保存")

    # 4. 职业对比（只显示前5个职业）
    if 'occupation_type' in categorical_cols and numeric_cols:
        # 计算合适的子图网格大小
        n_vars = len(numeric_cols)
        n_cols = 2  
        n_rows = (n_vars + n_cols - 1) // n_cols  

        top_occupations = df['occupation_type'].value_counts().head().index
        plt.figure(figsize=(12, 5 * n_rows))  
        for i, col in enumerate(numeric_cols, 1):
            plt.subplot(n_rows, n_cols, i)
            data = [df[df['occupation_type'] == occ][col] for occ in top_occupations]
            plt.boxplot(data, labels=top_occupations, patch_artist=True, showfliers=False)
            plt.title(f'{col} - 职业对比')
            plt.xticks(rotation=45)
            plt.grid(True, alpha=0.3)
        plt.tight_layout()
        plt.savefig(f"{output_dir}/occupation_comparison.png", dpi=300)
        plt.close()
        print("✓ 职业对比分析图已保存")

• 数值型变量分布可视化 ：如果存在数值型变量，创建一个包含多个子图的图形。使用plt.hist为每个数值型变量绘制直方图，设置合适的参数，如bins为30，alpha为0.7，edgecolor为黑色。添加标题和网格，然后使用plt.tight_layout优化子图布局，并将图表保存为指定路径下的numerical_distributions.png文件，最后关闭图形并提示保存成功。
• 相关性分析可视化 ：当数值型变量数量不少于2个时，计算这些变量的相关系数矩阵corr_matrix并保留两位小数。使用plt.imshow绘制热力图，设置颜色映射为'RdBu_r'，范围从 - 1到1。设置xticks和yticks显示变量名，并旋转xticks标签45度。添加颜色条和标题，优化布局后保存为correlation_analysis.png文件，关闭图形并提示保存成功。
• 性别对比可视化 ：若数据集中存在gender分类型变量且有数值型变量，根据数值型变量数量计算合适的子图网格布局。为每个数值型变量创建一个子图，使用plt.boxplot绘制不同性别下该数值型变量的箱线图，设置patch_artist=True使箱线图有填充颜色。添加标题和网格，优化布局后保存为gender_comparison.png文件，关闭图形并提示保存成功。
• 职业对比可视化 ：当数据集中存在occupation_type分类型变量且有数值型变量时，类似性别对比的步骤，先获取前5个职业类型，根据数值型变量数量计算子图网格布局。为每个数值型变量创建子图，绘制不同职业类型下该数值型变量的箱线图，设置showfliers=False不显示异常值，添加标题、旋转xticks标签并添加网格，优化布局后保存为occupation_comparison.png文件，关闭图形并提示保存成功。

4. 保存统计结果：save_results函数

def save_results(df, numeric_cols, categorical_cols, output_dir='.'):
    """保存统计结果"""
    print("\n正在保存统计结果...")

    # 整体统计摘要
    summary = df[numeric_cols].describe().round(2)
    summary.to_csv(f"{output_dir}/overall_statistics.csv")

    # 性别分组统计
    if 'gender' in categorical_cols:
        gender_stats = df.groupby('gender')[numeric_cols].mean().round(2)
        gender_stats.to_csv(f"{output_dir}/gender_statistics.csv")

    # 职业分组统计
    if 'occupation_type' in categorical_cols:
        top_occupations = df['occupation_type'].value_counts().head(10).index
        occ_stats = df[df['occupation_type'].isin(top_occupations)].groupby('occupation_type')[numeric_cols].mean().round(2)
        occ_stats.to_csv(f"{output_dir}/occupation_statistics.csv")

    print("✓ 统计结果已保存")

• 整体统计摘要保存 ：生成数值型变量的统计描述摘要，并保留两位小数，然后将其保存为overall_statistics.csv文件。
• 性别分组统计保存 ：若数据集中存在gender分类型变量，按性别对数值型变量进行分组，并计算每组的均值，保留两位小数后保存为gender_statistics.csv文件。
• 职业分组统计保存 ：如果数据集中存在occupation_type分类型变量，获取出现次数前10的职业类型。筛选出这些职业类型的数据，按职业类型对数值型变量分组并计算均值，保留两位小数后保存为occupation_statistics.csv文件。最后提示统计结果已保存。

5. 主函数：main函数

def main(file_path, output_dir='.'):
    """主函数：执行完整分析流程"""
    print("=" * 60)
    print("生活质量数据集分析")
    print("=" * 60)

    try:
        # 1. 数据读取
        df = load_data(file_path)

        # 2. 统计分析
        numeric_cols, categorical_cols = analyze_data(df)

        # 3. 可视化分析
        visualize_data(df, numeric_cols, categorical_cols, output_dir)

        # 4. 保存结果
        save_results(df, numeric_cols, categorical_cols, output_dir)

        print("\n" + "=" * 60)
        print("分析完成！")
        print("=" * 60)

        return df, numeric_cols, categorical_cols

    except Exception as e:
        print(f"\n分析出错: {str(e)}")
        raise

• 流程执行 ：主函数作为整个分析流程的驱动者，首先打印分隔线和分析标题。然后依次调用load_data函数加载数据，analyze_data函数进行统计分析，visualize_data函数进行可视化分析，save_results函数保存统计结果。分析完成后，再次打印分隔线并提示分析完成，最后返回加载的数据以及数值型和分类型变量的列名列表。
• 异常处理：如果在分析过程中出现异常，捕获异常并打印错误信息，然后重新抛出异常，以便调用者进行更详细的错误处理。

6. 程序入口

if __name__ == "__main__":
    DATA_FILE = "Updated Quality of Life Data.csv"
    OUTPUT_DIR = "."

    df_result, numeric_cols_result, categorical_cols_result = main(DATA_FILE, OUTPUT_DIR)

在程序入口处，指定要分析的数据集文件路径DATA_FILE和结果输出目录OUTPUT_DIR，然后调用main函数执行完整的数据分析流程，并将返回的结果赋值给相应变量。

三、结果分析

• 工作时间 vs 休息时间 ：深蓝+深红的强对比，是显著负相关------工作越久，休息时间就越少，完全符合日常直觉。
• 睡眠时间/锻炼时间 vs 死亡年龄 ：偏红色的浅色调，是弱正相关------睡得足、动得多的人，寿命大概率更长。
• 工作时间 vs 死亡年龄 ：偏蓝色的浅色调，是弱负相关------长期超时工作，可能轻微拉低寿命水平。

1. 工作时间：男性箱线的中位数略高→ 男性日常工作时长稍长。
2. 休息时间：女性箱线的中位数略高→ 女性休息时间比男性更充足。
3. 睡眠时间：女性箱线的中位数明显高→ 女性更重视睡眠，符合"女性睡眠需求略高于男性"的生理特点。
4. 锻炼时间：男女箱线几乎重合→ 男女锻炼时长差异很小。
5. 死亡年龄：女性箱线的中位数显著高于男性→ 女性平均寿命比男性更长，和现实中的性别寿命规律一致。

• 工作/休息时间：都呈"右偏分布"------大部分人每天工作/休息8-10小时，少数人（长尾部分）工作超15小时、休息不足5小时。
• 睡眠时间：分布很集中，峰值在7小时左右→ 大部分人能保持健康的睡眠时长。
• 锻炼时间：集中在1小时左右→ 人群锻炼时长差异不大，整体处于"适量"水平。
• 死亡年龄：近似"正态分布"，峰值在80岁左右→ 样本人群的寿命符合正常人口的寿命分布规律。

1. 工作时间：Driver（司机）的箱线中位数最高→ 司机职业的工作强度最大。
2. 休息时间：Teacher（教师）的箱线中位数最高→ 教师的休息时间相对更充裕。
3. 睡眠时间：各职业差异不大→ 不同职业的睡眠时长都比较稳定。
4. 锻炼时间：Freelancer（自由职业者）的箱线中位数略高→ 自由职业者的锻炼时间更灵活。
5. 死亡年龄：Teacher的箱线中位数最高，Driver最低→ 教师的平均寿命更长，司机的职业健康压力相对更大。

作者及版权相关信息总结

1. 作者信息

   该数据集由 OLUWATOSIN ADEWALE 创作。

2. 版权与许可

   • 许可证类型：CC0: Public Domain（公共领域）

3. 更新频率
   数据集的预期更新频率为每年一次，用于持续完善数据内容以适配研究与教学需求。