焦虑

无端的焦虑起来,不知道是不是在家办公司时间太长所致,公司也是很贴心,发了邮件通知大家每天要出门溜达20分钟。

随手查了查焦虑的原因,大致网上的结论是,对未来不确定性的恐惧,不确定自己想要什么,想做什么事情,甚至也不知道自己喜欢什么。

于是认真的想了想,自己到底想过什么样的生活,一时也是满脑子的浆糊,都是一些过于虚幻的美景,类似于什么 “采菊东篱下,悠然现南山” 的画面。

想起小时候老妈问我,我的梦想是什么,我说:做个渔夫,可以在朱兰河里捕鱼,然后可以吃住都在船上。

老妈说:以后千万不要有这种没出息的梦想,你的梦想是做个科学家。

于是从那时候起,我的梦想就是做个科学家了,虽然我并不知道科学家是干什么的,但是我希望科学家也是可以捕鱼的。

小时候唯一想去的城市就是北京,因为二叔在北京,小时候听的最多的一句话就是:好好读书,将来像你二叔一样有出息,去北京。

小时候的爱好和大部分小朋友一样,喜欢看动画片和玩游戏,但经常遭到父母强烈的反对,以至于我上了大学以后,特意自己买了游戏机,把小时候想玩的游戏都通关了一遍。一直到现在也还是喜欢看动画片,各种动漫看的不亦乐乎。只是游戏已经没有什么太大的乐趣了,虽然有时候也玩,但也没有小时候那种幸福的感觉了。

大学我读的是信息管理与信息系统专业,至于为什么选这个专业,那完全是觉得这个专业名字够长,信息这个词语听着就很高大上。而且别的专业都是5000一年的学费,这个专业是5900,根据一分钱一分货的道理,那必然是个好专业。

毕业找工作,也是秉承着谁录用,就去哪上班的原则,刚毕业那会,做过超市管理培训生,物流管理培训生,最后选择了做软件测试,唯一的理由就是可以坐在办公室,不用到处跑。

细想起来,我并不能知道我到底喜欢什么,大部分的东西对于我来说只能说都是随机选择,谈不上喜欢,也不是那么讨厌。

至于业余时间,我喜欢的大概就是看看动漫,打打游戏,看看小说,至于最享受的事情,我也并没有什么体会,可能我体验的生活本来就不够多。

算是懵懵懂懂的活到了现在吧,随波逐流。

 

 

 

 

以下是几种不同场景下用于焦虑分析的代码示例: ### 基于问卷调查数据的焦虑分析 假设通过问卷收集到了与焦虑相关的多个指标数据,使用Python的`pandas`和`scikit - learn`库进行简单的数据分析和分类。 ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score # 加载数据 data = pd.read_csv('anxiety_data.csv') # 假设最后一列是焦虑标签(0表示无焦虑,1表示有焦虑) X = data.iloc[:, :-1] y = data.iloc[:, -1] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建逻辑回归模型 model = LogisticRegression() # 训练模型 model.fit(X_train, y_train) # 预测 y_pred = model.predict(X_test) # 评估模型 accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率: {accuracy}") ``` ### 基于文本的焦虑分析 使用Python的`nltk`和`scikit - learn`库对文本数据进行情感分析,判断文本是否体现出焦虑情绪。 ```python import nltk from nltk.corpus import stopwords from nltk.tokenize import word_tokenize from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.metrics import accuracy_score nltk.download('stopwords') nltk.download('punkt') # 示例数据 texts = ["I'm so worried about my future.", "Today is a great day."] labels = [1, 0] # 文本预处理 stop_words = set(stopwords.words('english')) processed_texts = [] for text in texts: tokens = word_tokenize(text.lower()) filtered_tokens = [token for token in tokens if token.isalpha() and token not in stop_words] processed_texts.append(" ".join(filtered_tokens)) # 特征提取 vectorizer = TfidfVectorizer() X = vectorizer.fit_transform(processed_texts) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.2, random_state=42) # 创建朴素贝叶斯分类器 model = MultinomialNB() # 训练模型 model.fit(X_train, y_train) # 预测 y_pred = model.predict(X_test) # 评估模型 accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率: {accuracy}") ``` ### 基于生理数据的焦虑分析 假设收集到了心率数据,使用Python的`numpy`和`scipy`库进行简单的分析。 ```python import numpy as np from scipy.stats import zscore # 示例心率数据 heart_rate = np.array([70, 75, 80, 85, 90, 95, 100]) # 计算z分数 z_scores = zscore(heart_rate) # 假设z分数大于2表示可能存在焦虑 anxiety_indices = np.where(z_scores > 2)[0] print(f"可能存在焦虑的时间点索引: {anxiety_indices}") ```
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值