
大数据时代 你的生活被“格式化”了没
随着互联网和智能手机越来越发达,我们的生活逐渐进入了一个大数据时代。任何事情都要求精确到用数据来说话,比如现在流行的微信运动,将人们每天的运动量用一些数据来展现,并用排行榜的方式来和好友PK,同时还会给人们提供一个运动参考。这些数据逐渐成为左右人们生活方式的一个因素。有多少人没有被这些数据所束缚?又有多少人的生活方式没有因此而改变呢?
当运动和吃饭都变成卡路里
随着移动互联网的飞速发展,各种各样的APP层出不穷,它们从不同角度影响着人们的生活。
以微信运动来说,现在流行的一些计步软件在使用前,会要求用户输入性别、年龄、身高、体重,然后进行分析得出结论,告诉用户每天需要消耗多少大卡的热量,走多少公里,需要多长时间等等。这样一来,以前人们那种为了增强心肺功能或者锻炼身体的灵活性和力量而运动的想法便少了很多,大部分人的运动目的不再单纯了,而是为了达到这些数据标准。他们认为,这些数据是科学的,只要严格按照这些数据来进行锻炼,一定会达到健身的目的。慢慢地,人们就会形成一种习惯,一种设定健身目标的习惯,然后通过这些数据来观察自己的身体状态。
而在一些减肥类APP中,除了将运动数据化以外,还会对食物的摄取量进行数据分析。当你输入早、中、晚三餐的种类和数量后,系统会分析出你所摄入的热量有多少大卡,超出多少或者还可摄入多少,并根据你的身高、体重等资料给出一份健康报告。
或许有人会提出质疑,如果每天都要和枯燥的数据来打交道,那么生活还有什么快乐可言?但是这并不代表没有人喜欢。
数据改变了人们的生活方式
“步数2117,距离1.6公里,相当于65节火车车厢连起来的长度。消耗热量94千卡,活跃时间为17分钟。”早上从家到单位后,太原市民王先生打开了自己的计步软件,上面将他的运动量归结成为了一个个精准的数字。“自从有了‘微信运动’以后,我就喜欢上了这种运动方式,清晰的运动数据,让我的锻炼目的更加明确了。我的目标其实很简单,不要求每天都是第一,但必须达到一万步,只有这样我才会觉得有效果。”王先生表示。为此,他给自己制定了每日运动计划,每天上下班都走路回家,中午再出去遛个弯。这样,基本上一天下来就达到既定目标了。“有时候临睡前走了九千多步,还差一点,我就去爬楼梯,来回几趟就够了。”
还有一些人会刻意地将自己的饮食和运动控制得精准些,比如想要减肥的人。“要想变苗条,每天摄入的卡路里一定要少于你所燃烧的卡路里。”这是孙芳芳经常挂在嘴边的一句话。她是来自省城某高校大二的一名学生。为了减肥,她平时吃饭和运动都特别注意。每天都要做好饮食计划,每顿饭吃什么,吃多少,会摄入多少卡路里,都要经过精准的计算。“用软件来记录的话比较方便,只要选择吃的东西和数量就可以了,系统会自动给出卡路里。比如100克米饭116大卡,100克鸡蛋144大卡,100克酸奶72大卡,100克苹果52大卡……”孙芳芳说道,“然后再利用运动软件,将步数转换成消耗的卡路里,再换算成摄入的食物卡路里。我认为摄入的卡路里一定要少于所消耗的卡路里。”
将饮食和运动进行量化,对于一些健康控或者想减肥的人来说,的确是一个很不错的选择。因为在他们看来,这一点非常重要,这决定了他们的饮食是否健康,运动是否达标。
运动不能简单看数据
如果严格按照运动软件所提供的参考值完成任务,就能达到健身锻炼的目的吗?山西大学体育学院的老师刘宏强告诉记者,从科学性来讲,通过这样的方式来运动还是可行的,至于运动效果,那就得因人而异了。“因为健身的人群里,每个人的出发点不一样,要达到的目的和要求也不一样。对于真正从事运动的运动型人群来说,他们的目的是要健康健身。那么如果每天仅靠走路来锻炼,运动量就太小了。而对于想要达到健康减肥的人群来说,这样做还是有效果的。不过前提是要有一定的距离、量,并达到一定的强度才可以。如果慢慢悠悠的散步,即便走上一个小时,也没有健身效果。”
而像孙芳芳那种认为“食物摄入量低于运动消耗量就可以达到减肥瘦身目的”的说法,刘宏强认为其很笼统,不太科学,“运动消耗量不一定能和食物摄取量等同,比如经常游泳的人,消耗热量是1000大卡,需要补充的热量是1500大卡甚至更多,但是他的体型仍然很苗条。因为他在水中,要对抗水的阻力等各个方面的因素。所以那种说法不一定很精准。”
最后,刘宏强还给喜欢运动的朋友提出了一个建议,那就是运动的时间段一定要合理。不管是慢跑也好,走路也好,一般都不提倡太早或者太晚,真正健身还是在阳光下进行比较好。首先从大气指数、污染程度来说,白天空气质量适合运动。再者从周易八卦来说,白天为阳,晚上为阴。太阳出来以后采集阳气,对人身体比较好。如果在黑暗的地方健身,人们容易产生一种恐慌、恐惧的感觉。“我认为不要晚上运动,尤其是现在夜跑的人那么多,但是效果却很一般。因为睡前身体机能各方面都不太好,运动的量和强度很难控制,有时候量大了就会影响睡眠,量少了又达不到真正锻炼效果。而且还容易出交通事故,有一定的安全隐患。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23