1️⃣ 实际应用场景描述 痛点引入在数字化生活中人们每天使用手机的时间很长但往往不清楚时间都花在了哪里。尤其是学生、上班族可能娱乐时间过长影响工作与学习。痛点- 无法量化各类应用的使用占比。- 容易沉迷娱乐忽视工作与学习。- 缺乏科学的时间管理建议。目标输入各应用的使用时长自动分类为娱乐/工作/学习计算占比并给出健康使用建议。2️⃣ 核心逻辑讲解我们假设- 应用分类规则可自定义- 娱乐短视频、游戏、社交、视频等。- 工作邮件、办公软件、项目管理等。- 学习阅读、教育类 App 等。- 统计总时长计算各类占比。- 根据占比给出建议如娱乐占比过高则提醒减少。公式\text{占比} \frac{\text{该类总时长}}{\text{所有应用总时长}} \times 100\%3️⃣ 模块化代码 详细注释文件结构screen_time_analysis/│├── main.py # 主程序入口├── classifier.py # 应用分类模块├── analyzer.py # 统计分析模块├── advisor.py # 健康建议模块└── README.md # 使用说明classifier.py# classifier.pydef classify_app(app_name):根据应用名称分类:param app_name: 应用名:return: 类别 (entertainment, work, study)entertainment_keywords [抖音, 快手, 王者, 吃鸡, 微信, 微博, B站, YouTube, Netflix]work_keywords [邮箱, Word, Excel, PPT, 钉钉, 企业微信, Jira, Trello]study_keywords [知乎, 得到, Kindle, Coursera, 学堂在线, 百词斩]app_lower app_name.lower()for kw in entertainment_keywords:if kw.lower() in app_lower:return entertainmentfor kw in work_keywords:if kw.lower() in app_lower:return workfor kw in study_keywords:if kw.lower() in app_lower:return studyreturn unknown # 未知类别analyzer.py# analyzer.pydef analyze_usage(app_usage):统计各类使用时长及占比:param app_usage: dict {应用名: 使用时长(分钟)}:return: dict {类别: 总时长}, 总时长category_times {entertainment: 0, work: 0, study: 0, unknown: 0}total_time 0for app, duration in app_usage.items():category classify_app(app)category_times[category] durationtotal_time duration# 计算占比percentages {}for cat, time in category_times.items():percentages[cat] (time / total_time * 100) if total_time 0 else 0return category_times, percentages, total_timeadvisor.py# advisor.pydef give_advice(category_times, percentages):根据占比给出健康建议advice []if percentages[entertainment] 50:advice.append(⚠️ 娱乐时间过长建议每天控制在50%以内多安排工作与学习。)elif percentages[entertainment] 30:advice.append( 娱乐时间适中可适当增加学习时间。)else:advice.append(✅ 娱乐时间控制良好。)if percentages[work] 20:advice.append( 工作时间较少建议提升工作效率避免拖延。)else:advice.append( 工作时间充足。)if percentages[study] 10:advice.append( 学习时间偏少建议每天至少安排10%时间用于学习。)else:advice.append( 学习时间安排合理。)return advicemain.py# main.pyfrom analyzer import analyze_usagefrom advisor import give_advicedef main():print( 手机应用使用时长分析器 )app_usage {}n int(input(请输入应用数量: ))for _ in range(n):app input(应用名: )mins float(input(使用时长(分钟): ))app_usage[app] minscategory_times, percentages, total_time analyze_usage(app_usage)print(\n 分类统计:)for cat in [entertainment, work, study, unknown]:print(f{cat}: {category_times[cat]:.1f} 分钟 ({percentages[cat]:.1f}%))print(f\n总时长: {total_time:.1f} 分钟)advice_list give_advice(category_times, percentages)print(\n 健康建议:)for a in advice_list:print(a)if __name__ __main__:main()4️⃣ README.md# 手机应用使用时长分析器本程序根据输入的应用使用时长自动分类为娱乐/工作/学习计算占比并给出健康使用建议。## 使用说明1. 运行程序bashpython main.py2. 输入- 应用数量- 每个应用的名称与使用分钟数3. 输出- 各类别总时长与占比- 健康使用建议## 核心公式占比 类别总时长 / 总时长 × 100%5️⃣ 核心知识点卡片知识点 说明数据分类 根据关键词匹配应用类别统计分析 计算总时长与占比条件建议 根据占比阈值给出健康提示模块化设计 分类、分析、建议分离数字化生活 用数据管理时间提升效率6️⃣ 总结通过该程序我们实现了- 自动分类手机应用使用时长。- 量化占比直观了解时间分配。- 个性化建议帮助用户养成健康数字生活习惯。- 在智能制造与数字化工厂中这种数据采集分析反馈的模式同样适用于设备运行状态监控、生产效率优化等场景。如果你愿意还可以扩展这个程序加入每日趋势图、跨天数据累积、与屏幕时间API对接等让它更接近真实的数字健康管理工具。利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛