学生抑郁与生活方式数据集（10 万条数据）

📋 数据集概述

心理健康是学术领域日益关注的问题。本数据集模拟了一项针对 10 万名大学生的大规模调查，重点关注他们的生活习惯、学业表现和心理健康状况。

该数据集旨在为探索性数据分析（EDA）、分类和回归任务提供丰富的资源。它使研究人员和数据科学爱好者能够调查睡眠模式、学习习惯和社交媒体使用如何与学业成功（CGPA）和心理健康问题（抑郁和压力）相关联。

📊 数据规模

• • 样本数量: 100,000 条记录
• • 特征数量: 11 个字段
• • 数据完整性: 无缺失值
• • 数据类型: 结构化表格数据
• • 适用领域: 心理健康、教育研究、数据科学

🔍 数据字段说明

本数据集包含以下字段：

基本信息字段

字段名	数据类型	说明
Student_ID	整数	学生唯一标识符
Age	整数	学生年龄（18-24 岁）
Gender	分类变量	性别（Male/Female）
Department	分类变量	所属学院/专业领域

学业表现字段

字段名	数据类型	说明
CGPA	浮点数	累积平均绩点（范围通常为 0-4.0）
Study_Hours	浮点数	每日学习时间（小时）

生活方式字段

字段名	数据类型	说明
Sleep_Duration	浮点数	每日睡眠时长（小时）
Social_Media_Hours	浮点数	每日社交媒体使用时长（小时）

心理健康字段

字段名	数据类型	说明
Physical_Activity	整数	每周身体活动时长（分钟）
Stress_Level	整数	自我报告的压力水平（0-10 分量表）
Depression	布尔值	心理健康状态（True = 可能抑郁，False = 健康）

专业类别（Department）

数据集中可能包含的专业方向：

• • Science - 科学类
• • Engineering - 工程类
• • Medical - 医学类
• • Arts - 艺术类
• • Business - 商科

💡 潜在应用场景

本数据集用途广泛，可用于各种机器学习项目：

🔹 二元分类

预测学生是否可能患有抑郁症（Depression 列），基于其生活方式和压力水平。

🔹 回归分析

根据学习时间和睡眠习惯预测学生的 CGPA。

🔹 聚类分析

根据学生的习惯将他们分为不同的群体（例如"高成就者"、"高风险学生"）。

🔹 数据可视化

分析社交媒体使用与压力水平之间的相关性。

🔹 其他应用

• • 探索睡眠质量与学业表现的关系
• • 研究身体活动对心理健康的影响
• • 识别需要心理干预的高风险学生群体
• • 为高校心理健康服务提供数据驱动的决策依据

⚙️ 数据生成方法

这是一个通过编程生成的合成数据集，旨在反映学术研究中发现的真实世界趋势和相关性。

相关性逻辑

数据生成过程包含加权逻辑，其中低睡眠时长和高社交媒体使用等因素会增加高压力和低 CGPA 的概率。

数据规模优势

拥有 100,000 条记录，本数据集适合测试性能密集型算法（例如深度学习/神经网络）。

🔧 使用建议

数据加载示例（Python）

import pandas as pd

# 读取数据集
df = pd.read_csv('student_depression_lifestyle.csv')

# 查看基本信息
print(df.info())
print(df.describe())

# 检查缺失值
print(df.isnull().sum())

注意事项

1. 1. 数据隐私: 使用本数据时请遵守相关隐私保护法规
2. 2. 研究伦理: 涉及心理健康数据的研究报告需遵循学术伦理规范
3. 3. 引用说明: 在研究成果中应适当引用本数据集来源
4. 4. 数据局限性: 注意数据的采样方法和潜在偏差

📚 相关研究领域的关键词

• • 大学生心理健康
• • 抑郁症筛查
• • 生活方式医学
• • 健康行为学
• • 心理社会因素
• • 压力管理
• • 心理健康干预

csv实例截图：