完整输出一个可运行的 Python 项目示例，用于导入手机 APP 使用时长数据、统计各 APP 使用占比、输出需卸载的高频低价值 APP。
1. 实际应用场景描述
在智能手机普及的今天，许多人每天会在多个 APP 上花费大量时间，但往往并不清楚哪些 APP 真正带来了价值，哪些只是消耗时间的“低价值应用”。
例如：
- 某些社交或短视频 APP 占用大量时间，但对工作、学习帮助不大。
- 游戏类 APP 在某些时段频繁使用，影响生产力。
本程序基于大数据与智能管理课程中的数据采集、统计分析与决策支持方法，帮助用户导入手机 APP 使用时长数据、自动统计各 APP 使用占比、识别高频但低价值的 APP 并给出卸载建议，从而优化时间管理。
2. 痛点分析
- 数据分散：使用时长数据可能来自 iOS 屏幕使用时间、Android Digital Wellbeing 等不同来源，格式不统一。
- 缺乏统计：无法直观看到各 APP 的时间占比。
- 价值难判：即使知道某个 APP 用时多，也难以判断是否值得保留。
- 手动分析耗时：面对几十个 APP，人工判断非常低效。
3. 核心逻辑讲解
1. 数据导入：从 CSV 文件读取 APP 名称、使用时长（分钟）。
2. 总时长计算：统计所有 APP 的总使用时长。
3. 使用占比计算：
\text{占比} = \frac{\text{APP使用时长}}{\text{总时长}} \times 100\%
4. 低价值 APP 识别：
- 定义“高频”为使用时长排名前 30%。
- 定义“低价值”为不在白名单（如工作相关、学习工具、通讯软件）中的 APP。
5. 建议生成：列出高频低价值 APP，建议卸载或限制使用。
4. 代码模块化
项目结构
app_usage_analyzer/
├── main.py
├── app_data.py
├── analyzer.py
├── advisor.py
└── README.md
"app_data.py"
# APP 数据模块
import csv
DATA_FILE = "app_usage.csv"
def load_app_usage():
"""加载 APP 使用时长数据"""
data = []
try:
with open(DATA_FILE, 'r', encoding='utf-8') as f:
reader = csv.DictReader(f)
for row in reader:
data.append({
"app": row["app"],
"minutes": int(row["minutes"])
})
except FileNotFoundError:
pass
return data
"analyzer.py"
# 分析模块
from collections import Counter
def calculate_usage_percentage(data):
"""计算各 APP 使用占比"""
total_minutes = sum(item["minutes"] for item in data)
if total_minutes == 0:
return []
result = []
for item in data:
percentage = (item["minutes"] / total_minutes) * 100
result.append({
"app": item["app"],
"minutes": item["minutes"],
"percentage": round(percentage, 2)
})
# 按使用时长降序排序
result.sort(key=lambda x: x["minutes"], reverse=True)
return result
def get_high_frequency_apps(data, top_ratio=0.3):
"""获取高频使用的 APP 列表"""
if not data:
return []
sorted_data = sorted(data, key=lambda x: x["minutes"], reverse=True)
cutoff_index = int(len(sorted_data) * top_ratio)
return [item["app"] for item in sorted_data[:cutoff_index]]
"advisor.py"
# 建议模块
def generate_uninstall_advice(high_freq_apps, all_apps_with_percentage):
"""
生成卸载建议
"""
# 白名单：工作、学习、通讯类 APP（可根据需求自定义）
whitelist = {"微信", "钉钉", "企业微信", "邮箱", "WPS Office", "Notion"}
suggestions = []
for item in all_apps_with_percentage:
if item["app"] in high_freq_apps and item["app"] not in whitelist:
suggestions.append({
"app": item["app"],
"minutes": item["minutes"],
"percentage": item["percentage"]
})
if not suggestions:
return "恭喜！没有明显的高频低价值 APP，请继续保持合理的使用习惯。"
advice_text = "检测到以下高频低价值 APP，建议卸载或限制使用：\n"
for s in suggestions:
advice_text += f"- {s['app']}: 使用 {s['minutes']} 分钟/天, 占比 {s['percentage']}%\n"
advice_text += "\n建议：\n"
advice_text += "1. 将此类 APP 移至第二屏或文件夹，减少随手打开的概率。\n"
advice_text += "2. 设置使用时长限制（Screen Time / Digital Wellbeing）。\n"
advice_text += "3. 用更有价值的活动替代刷这些 APP 的时间。\n"
return advice_text
"main.py"
# 主程序入口
from app_data import load_app_usage
from analyzer import calculate_usage_percentage, get_high_frequency_apps
from advisor import generate_uninstall_advice
def main():
data = load_app_usage()
if not data:
print("未找到 APP 使用数据，请检查 app_usage.csv 文件。")
return
usage_stats = calculate_usage_percentage(data)
print("=== 各 APP 使用占比 ===")
for item in usage_stats:
print(f"{item['app']}: {item['minutes']} 分钟/天, 占比 {item['percentage']}%")
high_freq_apps = get_high_frequency_apps(data)
print("\n=== 卸载建议 ===")
print(generate_uninstall_advice(high_freq_apps, usage_stats))
if __name__ == "__main__":
main()
5. README.md
# App Usage Analyzer
一个基于 Python 的手机 APP 使用时长分析工具，可统计各 APP 使用占比并推荐需卸载的高频低价值 APP。
## 功能
- 导入 APP 使用时长数据
- 统计各 APP 使用占比
- 识别高频低价值 APP
- 生成卸载或限制使用建议
## 使用方法
1. 克隆或下载本项目
2. 准备 `app_usage.csv` 文件，格式如下：
app,minutes
抖音,120
微信,60
...
3. 运行：
bash
python main.py
## 项目结构
- `main.py`：主程序入口
- `app_data.py`：数据加载
- `analyzer.py`：统计分析
- `advisor.py`：建议生成
## 扩展方向
- 接入 iOS Screen Time / Android Digital Wellbeing API 自动获取数据
- 增加分类标签（社交、娱乐、工具等）进行更精细分析
- 使用 Matplotlib 绘制饼图或柱状图展示使用占比
6. 使用说明
1. 在项目根目录放置
"app_usage.csv" 文件，确保列名为
"app",
"minutes"。
2. 运行
"main.py"，程序会输出各 APP 使用占比和卸载建议。
3. 可根据需求修改
"whitelist" 白名单，调整低价值 APP 的判断标准。
7. 核心知识点卡片
知识点 说明
CSV 文件读取 用
"csv.DictReader" 读取结构化数据
占比计算 单个值 / 总值 × 100%
排序与筛选 按使用时长排序，取前 N% 作为高频
白名单机制 排除工作、学习、通讯等必要 APP
模块化设计 数据、分析、建议分离，便于维护
大数据思维 从日常使用数据中发现时间管理问题，指导行为优化
8. 总结
本项目将大数据与智能管理课程中的数据采集、统计分析、决策支持方法应用于个人时间管理，解决了APP 使用数据分散、价值难判、手动分析耗时的痛点。
通过模块化设计和清晰的分析逻辑，用户可以快速识别高频低价值 APP 并获得可执行的优化建议。未来可结合机器学习对 APP 进行自动分类，并接入真实设备数据，打造完整的数字生活管理助手。
如果你愿意，可以加上 Matplotlib 饼图展示 APP 使用占比 或 柱状图展示高频低价值 APP，让结果更直观。
利用AI高效解决实际问题，如果你觉得这个工具好用，欢迎关注我！
