Многие считают, что чрезмерное использование социальных сетей может негативно влиять на продуктивность и работоспособность. Но помимо развлечений, социальные сети могут служить источником информации и общения, что способствует улучшению продуктивности. Данное исследование направлено на то, чтобы понять, как различные аспекты использования социальных сетей (время, количество уведомлений, предпочтительные платформы) коррелируют с продуктивностью и уровнем стресса.

Для анализа я выбрала датасет «Social Media Usage vs Productivity», который содержит данные о времени, проведённом в социальных сетях, а также о различных факторах, которые могут влиять на продуктивность, таких как уровень стресса, удовлетворенность работой, количество перерывов и другие параметры.

Цель исследования: Оценить, как использование социальных сетей влияет на продуктивность и стрессы, а также выявить ключевые факторы, влияющие на эту зависимость.

#импортирую библиотеку

import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np

#вывожу первые 5 строк

df = pd.read_csv('C:/Users/Dinozavr/Downloads social_media_vs_productivity.csv' df.head()

#информация о датасете, смотрю есть ли пропущенные данные

df.info()

#убираю пропущенные

df = df[df['daily_social_media_time'].isna()== False]

График представляет собой гистограмму, отображающую распределение времени, которое люди проводят в социальных сетях ежедневно, измеренное в часах. На оси X указано количество часов, проведенных в соцсетях, а на оси Y — количество людей, проводящих это время.

По графику видно, что большинство людей проводят в социальных сетях от 0 до 5 часов в день, при этом пик приходится на диапазон от 2 до 3 часов. Время, превышающее 10 часов в день, встречается крайне редко.

sns.set_style("whitegrid") # сетка на фоне plt.figure(figsize=(12, 6)) # размер графика

Создание гистограммы с фиолетовыми оттенками

ax = sns.histplot( data=df, x="daily_social_media_time", bins=15, # количество столбцов color="

8A2BE2",

Добавление заголовка и подписей

plt.title( "Распределение времени в соцсетях (часов/день)", fontsize=16, pad=20 # отступ заголовка

plt.xlabel("Часы в соцсетях", fontsize=12) plt.ylabel("Количество людей", fontsize=12)

Настройка сетки и оформления

sns.despine(left=True) # убираем левую границу plt.grid(axis="y", linestyle="--" , alpha=0.4) # горизонтальная сетка plt.show()

Вывод: Основная масса людей тратит умеренное количество времени в социальных сетях (менее 5 часов в день), что может указывать на то, что большинство пользователей пытаются сбалансировать время между личной и рабочей активностью.

Следующий график к которому я обращаюсь в своем исследование, это круговая диаграмма. На графике изображено распределение предпочтений пользователей социальных сетей.

Согласно диаграмме, все выбранные платформы — TikTok, Facebook, Instagram, Telegram и Twitter — имеют примерно равные доли среди пользователей, с небольшим перевесом у TikTok (20.3%), и чуть меньшими показателями для остальных платформ (около 19.8% — 20.0%).

platform_counts= df['social_platform_preference'].value_counts()

Фиолетовая палитра (от светлых к тёмным оттенкам)

purple_palette= [ '

DDA0DD',

BA55D3',

9932CC',

9400D3',

800080'

Создание круговой диаграммы

plt.figure(figsize=(10, 8)) wedges, texts, autotexts = plt.pie( platform_counts, labels=platform_counts.index, autopct='%1.1f%%' , startangle=90, colors=purple_palette[:len(platform_counts)], wedgeprops={'edgecolor': 'black', 'linewidth': 0.5}, textprops={'fontsize': 12} )

Улучшаем подписи

plt.setp(autotexts, color='white', weight='bold') # Белые цифры с % plt.title('Распределение предпочтений соцсетей', pad=20, fontsize=16) plt.tight_layout() plt.show()

Вывод: Все платформы имеют примерно одинаковую популярность, что может указывать на разнообразие предпочтений среди пользователей. Это может свидетельствовать о равномерном распределении интересов в разных социальных сетях, что важно для маркетинговых стратегий, направленных на разные аудитории.

Далее, я решила проанализировать среднее время проведенное в соцсетях. График представляет собой столбчатую диаграмму, показывающую среднее время, которое люди проводят в социальных сетях в зависимости от возрастной группы. Мы анализируем, как возраст влияет на количество времени, проводимого в соцсетях.

bins = [0, 25, 35, 45, 100] # Границы групп labels = ['<25 лет', '25-34 года', '35-44 года', '45+ лет'] # Названия групп df['age_group']= pd.cut(df['age'], bins=bins, labels=labels, right=False)

Группируем данные по возрастным группам

age_media_time= df.groupby('age_group')['daily_social_media_time'].mean().reset_index

Настраиваем стиль

plt.figure(figsize=(10, 6)) purple_palette= sns.color_palette("Purples", n_colors=4) # 4 фиолетовых оттенка

Строим барчарт

ax = sns.barplot( data=age_media_time, x='age_group',y='daily_social_media_time', palette=purple_palette, # подгружаем ранее созданные цвета edgecolor='black', #рамки linewidth=1, saturation=0.8 )

Добавляем аннотации и оформление

plt.title('Среднее время в соцсетях по возрастным группам', pad=20, fontsize=16 plt.xlabel('Возрастная группа', fontsize=12) plt.ylabel('Часов в день', fontsize=12) plt.tight_layout() plt.show()

Выводы: Люди младше 25 лет и в возрастной группе 25-34 года проводят в социальных сетях около 2.5-3 часов в день. Возрастные группы 35-44 года и 45+ лет проводят чуть меньше времени — около 2.0-2.5 часов в день.

Это может свидетельствовать о том, что молодежь и люди среднего возраста более активны в социальных сетях, в то время как более старшая группа проводит меньше времени на этих платформах.

Мы анализируем взаимосвязь между уровнем удовлетворенности работой (job_satisfaction_score), количеством чашек кофе в день (coffee_consumption_per_day), фактическим уровнем продуктивности (actual_productivity_score), временем, проведенным в социальных сетях (daily_social_media_time), и уровнем стресса (stress_level).

Выбираем нужные колонки

cols = ['job_satisfaction_score', 'coffee_consumption_per_day', 'actual_productivity_score', 'daily_social_media_time', 'stress_level'] df_selected= df[cols]

Считаем корреляцию Спирмена (подходит для нелинейных зависимостей)

corr = df_selected.corr(method='spearman')

Маска для верхнего треугольника (чтобы не дублировать)

mask = np.triu(np.ones_like(corr, dtype=bool))

Создаем фиолетовую палитру

purple_palette= sns.light_palette("#8A2BE2", as_cmap=True, reverse=False)

Настраиваем размер

plt.figure(figsize=(10, 8))

Строим heatmap

sns.heatmap(corr, mask=mask, annot=True, fmt=".2f", cmap=purple_palette, vmin=-1, vmax=1, center=0, square=True, linewidths=.5, cbar_kws={"shrink": .8})

Настраиваем внешний вид

plt.title("Корреляция Спирмена (фиолетовая палитра)\n" plt.xticks(rotation=45, ha='right') plt.tight_layout() plt.show()

Выводы: Наибольшая положительная корреляция наблюдается между уровнем удовлетворенности работой и фактическим уровнем продуктивности (0.89). Это может свидетельствовать о том, что высокая удовлетворенность работой способствует повышению продуктивности. Низкая корреляция между временем, проведенным в социальных сетях, и другими переменными, такими как продуктивность или стресс, что указывает на то, что время, потраченное в соцсетях, не оказывает значительного воздействия на эти факторы. Отсутствие корреляции между количеством чашек кофе в день и другими переменными может означать, что потребление кофе не связано напрямую с продуктивностью, стрессом или удовлетворенностью работой.

Через график scatter plot (диаграмма рассеяния), который показывает зависимость между временем, проведённым в социальных сетях (по оси X), и фактической продуктивностью (по оси Y), также добавлена линия тренда (регрессионная линия), чтобы наглядно показать общую тенденцию.

plt.figure(figsize=(10, 6)) sns.set_style("white")

Простой scatter plot

plt.scatter( x=df["daily_social_media_time"], y=df["actual_productivity_score"], color="

8A2BE2",

Добавляем линию тренда

sns.regplot( x=df["daily_social_media_time"], y=df["actual_productivity_score"], scatter=False, line_kws={"color": "

4B0082", "linewidth": 2}

Оформление

plt.title("Продуктивность vs Время в соцсетях", fontsize=16, pad=15) plt.xlabel("Часы в соцсетях в день", fontsize=12) plt.ylabel("Фактическая продуктивность", fontsize=12) plt.grid(axis='both', alpha=0.2, linestyle='--')

Фиолетовая рамка

for spine in plt.gca().spines.values(): spine.set_edgecolor('#9370DB') spine.set_linewidth(1.5) plt.tight_layout() plt.show()

Выводы: Видна отсутствие явной зависимости между временем, проведённым в социальных сетях, и фактической продуктивностью. Точки рассеяны по графику без выраженной закономерности. Линия тренда практически горизонтальна, что подтверждает вывод о незначительном влиянии времени в соцсетях на продуктивность.

Таким образом, можно сделать вывод, что время, проведённое в социальных сетях, не имеет существенного воздействия на фактическую продуктивность пользователей.