情绪-效率关联分析系统用 Python 量化你的创造力节律心理健康与创新能力课程 · 技术实践工具零依赖 · 本地优先 · 隐私安全一、实际应用场景描述这是一套为心理健康与创新能力课程设计的技术实践工具。它的使用场景非常具体你是一名知识工作者开发者、设计师、研究者、学生每天在电脑前工作 6-10 小时。 你隐约感觉自己有些日子效率奇高有些日子坐了一天什么都没干成但你不清楚这背后的规律——到底是什么在影响你的创造力输出这个工具解决的核心问题是通过持续自我记录 统计分析帮你发现什么样的情绪状态下创造力产出最高从而主动规划深度工作时段。四个核心动作形成闭环情绪签到 → 工作记录 → 关联分析 → 时段规划↑ ↓←←←←← 次日执行 ←←←←← 报告输出 ←←←←←←二、引入痛点痛点 1情绪是黑箱大多数人靠感觉判断自己的状态——今天状态不错、最近有点累。但这些模糊感知有两个问题- 无量化无法回答你上周的平均情绪分是多少- 无记忆三天前的情绪波动早已遗忘痛点 2效率归因错误当我们效率低时常归咎于不够努力或拖延症。但数据分析可能揭示真正的原因你只是在错误的时间做了错误的事。下午 3 点写代码效率低下不是因为你懒而是因为你的认知节律本就不在高峰。痛点 3心理健康课程缺工具感很多心理健康课程停留在理论层面——知道情绪管理很重要但缺乏可执行的、数据驱动的日常实践工具。本工具的定位不是心理咨询替代物不是 productivity 鸡汤而是一个中立的数据记录与分析工具——就像健身房的体重秤和训练日志它只负责测量和呈现解读权在你自己。三、核心逻辑讲解3.1 数据流全景┌──────────────┐ ┌──────────────┐ ┌─────────────────┐│ MoodRecorder │ │ Productivity │ │ AnalyticsEngine ││ 情绪签到 │────→│ Recorder │────→│ 分析引擎 ││ (30秒/次) │ │ 工作记录 │ │ • 相关性计算 │└──────────────┘ └──────────────┘ │ • 时段聚类 ││ • 波动分析 │└────────┬────────┘↓┌─────────────────┐│ ReportGenerator ││ 终端仪表盘 ││ JSON导出 │└─────────────────┘3.2 三个核心算法算法一皮尔逊相关系数情绪 ↔ 效率这是整个系统的灵魂算法。它回答一个问题情绪好和效率高到底是真有关系还是只是你的错觉def _pearson_correlation(self, x, y):n len(x)mx, my mean(x), mean(y)num sum((xi - mx) * (yi - my) for xi, yi in zip(x, y))den sqrt(sum((xi-mx)**2)) * sqrt(sum((yi-my)**2))return num / den # 值域 [-1, 1]直觉理解如果把每天的平均情绪分和平均效率分画成散点图相关系数就是这条趋势线的斜率方向。r0.7 意味着情绪每高1分效率大约也高0.7分。算法二时段聚合 综合评分发现黄金时段综合评分 创造力 × 0.5 效率 × 0.3 情绪 × 0.2权重设计逻辑创造力权重最高这是创新能力课程的核心关注点效率次之产出质量情绪最低它是前提条件而非目标本身。算法三情绪熵/波动幅度稳定性度量用标准差衡量情绪波动。低波动稳定高波动剧烈起伏。持续高波动本身就是一个值得关注的信号。3.3 为什么用天做对齐粒度你可能注意到代码中有一个关键步骤先把同一天的多次记录取平均再算天与天之间的相关性。这是因为- 同一次情绪签到和工作记录的时间差可能只有几分钟天然相关刚喝了咖啡当然都高没有统计意义- 以天为粒度才能看出今天整体情绪好 → 今天整体产出高的宏观规律四、代码模块化设计整个系统分为 7 个模块各司其职通过构造函数注入依赖模块 职责 关键方法MoodRecord /WorkRecord /DailySummary 数据模型dataclass 自动序列化StorageEngine JSON 文件读写append_mood(),load_all_work()MoodRecorder 情绪签到log_mood(),quick_checkin()ProductivityRecorder 工作记录 Pomodoro 会话log_work(),start/end_focus_session()AnalyticsEngine 核心分析算法compute_correlation(),find_peak_creativity_windows()ReportGenerator 报告输出print_dashboard(),export_json_report()main() CLI 入口 子命令路由模块间依赖关系无循环依赖main → MoodRecorder → StorageEngine→ ProductivityRecorder → StorageEngine→ AnalyticsEngine → StorageEngine→ ReportGenerator → AnalyticsEngine设计决策说明决策 选择 理由存储格式 JSON 文件 零依赖、人类可读、易备份迁移序列化 dataclass asdict 代码简洁类型清晰CLI 框架 手写 argv 解析 避免引入 click/argparse 依赖随机种子 seed(42) 演示数据可复现评分校验 max(1, min(10, x)) 防呆设计防止误输入五、README 文件和使用说明完整的 README.md 和 CHEAT_SHEET.md 已包含在项目中。以下是核心使用流程5 分钟上手# 1. 克隆项目cd mood_productivity_tracker# 2. 一键看演示生成14天模拟数据 完整报告python run.py# 3. 清空演示数据开始记录自己的rm -rf data/*.json# 4. 日常使用python main.py checkin # 情绪签到30秒python main.py work coding 8 7 # 记录工作效率8, 创造力7python main.py report # 随时查看分析报告最低有效数据量连续记录 7 天以上分析结果才有统计意义。建议前两周每天至少签到 3 次 记录 2 次工作。六、核心知识点卡片CHEAT_SHEET.md 中包含 10 张卡片覆盖卡片 知识点#1 皮尔逊相关系数公式与解读#2 情绪标准差与心理意义#3 时段聚合算法Time-Bucket#4 加权综合评分模型#5 滑动窗口与实时趋势#6 dataclass 使用技巧#7 本地优先存储架构#8 CLI 子命令设计模式#9 模拟数据生成策略#10 心理健康与创造力研究共识这里摘录最关键的几张卡片 1皮尔逊相关系数r Σ((xi - x̄)(yi - ȳ)) / √(Σ(xi-x̄)²) · √(Σ(yi-ȳ)²)|r| ≥ 0.8 → 极强 | 0.6-0.8 → 强 | 0.4-0.6 → 中等0.2-0.4 → 弱 | 0.2 → 极弱⚠ 相关 ≠ 因果。正相关只说明同向变化。卡片 4综合评分加权模型综合评分 创造力 × 0.5 效率 × 0.3 情绪 × 0.2权重逻辑创造力 0.5 → 课程核心关注点效率 0.3 → 产出质量情绪 0.2 → 前提条件非目标本身卡片 10研究共识仅供参考- 适度唤醒理论创造力在中等唤醒水平时最佳- 情绪广度效应积极情绪拓宽注意力促进发散思维- 心流状态挑战与技能匹配时创造力输出最高- circadian 节律多数人认知高峰在上午 9-11 点- 个体差异巨大群体规律仅供参考本工具帮你发现自己的规律七、演示输出示例运行python run.py 后的实际输出已验证 情绪-效率关联分析仪表盘生成时间: 2026-07-23 03:50【情绪 ↔ 效率 相关性】皮尔逊 r 0.013 (极弱/无正相关)【情绪规律总结】记录总数: 44平均情绪分: 5.4 / 10情绪波动幅度: 1.83主导情绪: calm高频情绪Top3: calm(10次), tired(10次), anxious(8次) 时段情绪分布:08:00-10:00 ████████████████████████████ 6.310:00-12:00 ██████████████████████████████ 6.614:00-16:00 ███████████████████████ 5.216:00-18:00 ███████████████████ 4.3【 高创造力黄金时段】#1 08:00-10:00 综合评分 7.3 (创造力 7, 效率 8.3, 情绪 6.3)#2 10:00-12:00 综合评分 7.1#3 14:00-16:00 综合评分 5.0 建议在 08:00-10:00 安排高难度创造性任务⚠ 14:00-16:00 低效时段建议安排机械性工作注演示数据的相关系数为 0.013极低这是因为随机种子生成的模拟数据未做强关联设计。真实使用 7 天后你自己的数据会呈现更有意义的相关性。八、总结这个工具做了什么1. 降低记录门槛 — 30 秒签到零依赖安装本地存储2. 提供统计视角 — 用皮尔逊相关、时段聚合等算法把模糊感受变成可量化指标3. 输出可执行建议 — 不只是你的情绪还行而是把创造性工作安排在 9-11 点4. 保持中立立场 — 工具只呈现数据不做诊断、不给鸡汤、不引流这个工具没做什么- ❌ 不做心理健康诊断- ❌ 不上传任何数据到云端- ❌ 不依赖任何第三方服务- ❌ 不承诺用了就能提高效率延伸思考这个项目的核心价值不在于代码本身而在于 自我量化Quantified Self的方法论。当你开始持续记录你就从被动感受情绪变成了主动观察情绪——而这个视角的转换本身就是心理健康课程中元认知能力的体现。下一步可以扩展的方向接入 matplotlib 做可视化图表、用 SQLite 支持更大数据量、增加情绪预警机制连续低落自动提醒休息、引入 sklearn 做简单的创造力预测模型。利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛