一、数据集来源

（一）数据基本信息

数据集下载
https://www.kaggle.com/datasets/emirhanai/social-media-usage-and-emotional-well-being

字段	说明
User_ID	用户的唯一标识符。
Age	用户的年龄。
Gender	用户的性别（女性，男性）。
Platform	使用的社交媒体平台（例如，Instagram，Twitter，Facebook，LinkedIn，Snapchat，Whatsapp，Telegram）。
Daily_Usage_Time (minutes)	每天在平台上花费的时间（单位：分钟）。
Posts_Per_Day	每天发布的帖子数量。
Likes_Received_Per_Day	每天收到的点赞数。
Comments_Received_Per_Day	每天收到的评论数。
Messages_Sent_Per_Day	每天发送的消息数量。
Dominant_Emotion	用户一天中的主要情绪状态（例如，Happiness（快乐），Sadness（悲伤），Anger（愤怒），Anxiety（焦虑），Boredom（无聊），Neutral（中性））。

（二）数据预处理

简单观察一下三份数据集，发现数据集有空行、有重复，编写代码合并三份csv文件，并完成自动删除空行，去重。

第一次数据处理出现了爆红，观察一下数据集发现是 val.csv 中第 90 行多了一列数据，导致 Pandas 读 CSV 时，发现这一行字段数和表头对应不起来。

仔细观察 val.csv 这个表，发现部分数据都多出一列，并且部分数据有错位的情况。

所以，我们通过采用 “暴力读取” 的方法，通过规则筛选出有效数据，保存到 social_media_clean.csv 表中。

使其满足：
1. Age 必须是数字，且在合理范围（10-100岁）    
2. Gender 必须是 Male/Female/Non-binary 中的一种    
3. Platform 必须是已知平台之一    
4. Daily_Usage_Time 必须是数字，且大于0   

最后，再次检验数据格式是否正常。

import pandas as pd    
df_new = pd.read_csv("social_media_clean.csv")    
print(df_new.isna().sum().sum())    
print(df_new.duplicated().sum())    
print(df_new.shape)    
print(df_new.columns)

发现重复值还是存在，那我们再次进行去重处理。

将148行重复值全部找出来。

由运行结果可以发现问题：重复总行数148行，有User_ID完全重复的

解决方法：再次清洗数据，按照User_ID 去重

再次查看数据情况，格式正常，无重复值，无空行，共有937行数据。

二、导入数据库

在虚拟机中启动 mysql ，将数据集从本地导入到里面。

在这里，因为我在虚拟机中也下载了 jupyter notebook ，所以就用 jupyter 来连接数据库中的数据。

三、数据分析

（一）分析前准备

打开虚拟机中的 notebook , 当然你也可以选择直接把本地文件放这里。

（二）用户数据基本分布

1. 各平台用户数

2. 不同年龄的分布

3. 不同群体（性别）分布

（三）用户情绪行为分布

1. 用户情绪分布

2. 年龄 vs 点赞数

虚拟机上的像素有限，个别图片有些不清楚。