• 使用Python以UCI心脏病数据集为例，进行数据简单分析

    本文章包含以下内容：

            以UCI心脏病数据集为例，进行数据简单分析：

    1. 求心脏病患者年龄的平均值、中位数和众数，从结果里分析年龄与心脏病的关系；
    2. 胆固醇正常值是0-200mg/dL，区分胆固醇不合格和不合格人员，用百分位数分析年龄和胆固醇的关系（哪个年龄段胆固醇不合格的多，对比两组进行分析）  
    3. 求心脏病患者的胆固醇极差和四分位极差，并分析结果说明的问题
    4. 分析心脏病患者的胆固醇是否满足正太分布？
    5. 用相关系数或卡方计算12个属性和得心脏病的相关性，分析哪些因素对确诊心脏病作用大。

    数据集：uci心脏病数据集子集

    数据子集下载

    数据属性说明：

    age: 该朋友的年龄

    sex: 该朋友的性别 (1 = 男性, 0 = 女性)

    cp: 经历过的胸痛类型（值1：典型心绞痛，值2：非典型性心绞痛，值3：非心绞痛，值4：无症状）

    trestbps: 该朋友的静息血压（入院时的毫米汞柱）

    chol: 该朋友的胆固醇测量值，单位 ：mg/dl

    fbs: 人的空腹血糖（> 120 mg/dl，1=真；0=假）

    restecg: 静息心电图测量（0=正常，1=患有ST-T波异常，2=根据Estes的标准显示可能或确定的左心室肥大）

    thalach: 这朋友达到的最大心率

    exang: 运动引起的心绞痛（1=有过；0=没有）

    oldpeak: ST抑制，由运动引起的相对于休息引起的（“ ST”与ECG图上的位置有关。）

    slope: 最高运动ST段的斜率（值1:上坡，值2:平坦，值3:下坡）

    ca: 萤光显色的主要血管数目（0-4）

    thal: 一种称为地中海贫血的血液疾病（3=正常；6=固定缺陷；7=可逆缺陷）

    target: 心脏病（0=否，1=是）

    心脏病数据有一定问题，这里将0看作没有病，其余看作有病。

    代码如下：

    1. import pandas as pd
    2. import numpy as np
    3. import matplotlib.pyplot as plt
    4.  
    5. data = pd.read_csv("心脏病数据.csv", header=None)  # 读取csv文件，并存入data，不带标签
    6. # 修改列标签
    7. name = ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach',
    8.         'exang', 'oldpeak', 'slope', 'ca', 'thal', 'target']
    9. data.columns = name
    10. pd.set_option('expand_frame_repr', False)  # 打印输出 dataframe 时不隐藏部分列
    11. print(data)  # 输出一下看看
    12. xinzang = []  # 储存有心脏病人群
    13. danguchun_Up = []  # 储存胆固醇高人群
    14. danguchun_Down = []  # 储存胆固醇低人群
    15. age = []  # 心脏病患者的年龄
    16. dan = []  # 心脏病患者的胆固醇
    17. c = -1  # 心脏病数组标记
    18. for row in data.itertuples():  # 行遍历 data
    19.     if getattr(row, 'target') != 0:  # 如果有心脏病
    20.         c = c + 1  # 标记 +1
    21.         xinzang.append([])
    22.         age.append(row[1])  # 单独获得心脏病患者的年龄，方便统计
    23.         dan.append(row[5])  # 单独获得心脏病患者的胆固醇，方便统计
    24.         for i in row:  # 将该行添加进数组 xinzang 中
    25.             xinzang[c].append(i)
    26.     if getattr(row, 'chol') > 200:  # 如果胆固醇高
    27.         danguchun_Up.append(row[1])  # 单独获得胆固醇高的年龄，方便统计
    28.     else:  # 否则，胆固醇合格
    29.         danguchun_Down.append(row[1])  # 单独获得心胆固醇合格的年龄，方便统计
    30.     # if row[12] == '?' or row[13] == '?':    #去掉有缺省数据，便于计算
    31.     #     data = data.drop(row[0], axis=0)
    32. # print(data)  # 输出一下看看
    33. print("统计心脏病患者的年龄，得出：")
    34. print("平均数为:\t", np.mean(age))
    35. print("中位数为:\t", np.median(age))
    36. c = np.bincount(age)
    37. print("众数为:\t\t", np.argmax(c))  # 只适用于非负数集合
    38. print("可得58岁左右是心脏病高发年龄段。")
    39. print("=================================================")
    40. print("统计样本胆固醇状况，得出：")
    41. c = np.percentile(danguchun_Up, 25, interpolation='linear')
    42. d = np.percentile(danguchun_Up, 75, interpolation='linear')
    43. print('胆固醇不合格的人,年龄大多集中在：', c, '~', d, '之间')
    44. c = np.percentile(danguchun_Down, 25, interpolation='linear')
    45. d = np.percentile(danguchun_Down, 75, interpolation='linear')
    46. print('胆固醇合格的人，年龄大多集中在：', c, '~', d, '之间')
    47. print("可得随着年龄的增大，胆固醇不合格的人数也在增加。")
    48. print("=================================================")
    49. print("统计心脏病患者胆固醇状况，得出：")
    50. print("极差为：", max(dan) - min(dan))
    51. c = np.percentile(dan, 25, interpolation='linear')
    52. d = np.percentile(dan, 75, interpolation='linear')
    53. print("四分位极差为：", d - c)
    54. plt.figure(1)
    55. # 绘制箱型图
    56. flierprops = {'marker': 'o', 'markerfacecolor': 'red', 'color': 'black'}
    57. plt.grid(True, linestyle="-.", color="black", linewidth="0.4")
    58. plt.boxplot(dan, notch=False, flierprops=flierprops)
    59. print("可得心脏病患者的胆固醇高低差异较大，但仅仅考虑中间50%的数值，其差异会大大减少。")
    60.  
    61. print("=================================================")
    62. plt.figure(2)
    63. # 绘制正态分布曲线
    64. x = np.arange(140, 410, 0.1)  # x轴取值范围
    65. c = np.mean(dan)  # 平均数
    66. d = np.std(dan)  # 标准差
    67. y = np.exp(-((x - c) ** 2) / (2 * d ** 2)) / (d * np.sqrt(2 * np.pi))  # 正态分布曲线
    68. plt.plot(x, y)
    69. # 绘制数据集的正态分布曲线
    70. # 绘制直方图
    71. plt.hist(dan, bins=15, rwidth=0.9, density=True)
    72. print('心脏病患者的胆固醇:')
    73. print("平均数为:\t", c)
    74. print("中位数为:\t", np.median(dan))
    75. x = np.bincount(dan)
    76. print("众数为:\t\t", np.argmax(x))  # 只适用于非负数集合
    77. print('SK1为:\t', (c - np.argmax(x)) / d)  # sk1 =  (x-mo)/s
    78. print('SK2为:\t', 3 * (c - np.median(dan)) / d)  # sk2 = 3(x-md)/s
    79. dan = pd.Series(dan)  # 用于使用 pd
    80. print('直接用pd进行偏度计算:', dan.skew())  # 直接用pd进行偏度计算
    81. print('直接用pd进行峰度计算', dan.kurt())  # 直接用pd进行峰度计算
    82. print('由图可以看出心脏病患者的胆固醇满足正态分布。')
    83. print('任意两个变量之间的相关系数如下：')
    84. print(data.corr())
    85. print('可以看出 oldpeak ，cp  ，exang ，slope 对确诊心脏病作用大')
    86. plt.show()

    结果示例：

    1.       age  sex   cp  trestbps   chol  fbs  restecg  thalach  exang  oldpeak  slope   ca thal  target
    2. 0    63.0  1.0  1.0     145.0  233.0  1.0      2.0    150.0    0.0      2.3    3.0  0.0  6.0       0
    3. 1    67.0  1.0  4.0     160.0  286.0  0.0      2.0    108.0    1.0      1.5    2.0  3.0  3.0       2
    4. 2    67.0  1.0  4.0     120.0  229.0  0.0      2.0    129.0    1.0      2.6    2.0  2.0  7.0       1
    5. 3    37.0  1.0  3.0     130.0  250.0  0.0      0.0    187.0    0.0      3.5    3.0  0.0  3.0       0
    6. 4    41.0  0.0  2.0     130.0  204.0  0.0      2.0    172.0    0.0      1.4    1.0  0.0  3.0       0
    7. ..    ...  ...  ...       ...    ...  ...      ...      ...    ...      ...    ...  ...  ...     ...
    8. 298  45.0  1.0  1.0     110.0  264.0  0.0      0.0    132.0    0.0      1.2    2.0  0.0  7.0       1
    9. 299  68.0  1.0  4.0     144.0  193.0  1.0      0.0    141.0    0.0      3.4    2.0  2.0  7.0       2
    10. 300  57.0  1.0  4.0     130.0  131.0  0.0      0.0    115.0    1.0      1.2    2.0  1.0  7.0       3
    11. 301  57.0  0.0  2.0     130.0  236.0  0.0      2.0    174.0    0.0      0.0    2.0  1.0  3.0       1
    12. 302  38.0  1.0  3.0     138.0  175.0  0.0      0.0    173.0    0.0      0.0    1.0    ?  3.0       0
    13.  
    14. [303 rows x 14 columns]
    15. 统计心脏病患者的年龄，得出：
    16. 平均数为:	 56.62589928057554
    17. 中位数为:	 58.0
    18. 众数为:		 58
    19. 可得58岁左右是心脏病高发年龄段。
    20. =================================================
    21. 统计样本胆固醇状况，得出：
    22. 胆固醇不合格的人,年龄大多集中在： 49.0 ~ 61.0 之间
    23. 胆固醇合格的人，年龄大多集中在： 43.25 ~ 59.0 之间
    24. 可得随着年龄的增大，胆固醇不合格的人数也在增加。
    25. =================================================
    26. 统计心脏病患者胆固醇状况，得出：
    27. 极差为： 278.0
    28. 四分位极差为： 66.0
    29. 可得心脏病患者的胆固醇高低差异较大，但仅仅考虑中间50%的数值，其差异会大大减少。
    30. =================================================
    31. 心脏病患者的胆固醇:
    32. 平均数为:	 251.4748201438849
    33. 中位数为:	 249.0
    34. 众数为:		 212
    35. SK1为:	 0.8005682075420549
    36. SK2为:	 0.15057160382420312
    37. 直接用pd进行偏度计算: 0.29911265898713263
    38. 直接用pd进行峰度计算 0.34124961868724313
    39. 中位数为:	 58.0
    40. 由图可以看出心脏病患者的胆固醇满足正态分布。
    41. 任意两个变量之间的相关系数如下：
    42.                age       sex        cp  trestbps      chol       fbs   restecg   thalach     exang   oldpeak     slope    target
    43. age       1.000000 -0.097542  0.104139  0.284946  0.208950  0.118530  0.148868 -0.393806  0.091661  0.203805  0.161770  0.222853
    44. sex      -0.097542  1.000000  0.010084 -0.064456 -0.199915  0.047862  0.021647 -0.048663  0.146201  0.102173  0.037533  0.224469
    45. cp        0.104139  0.010084  1.000000 -0.036077  0.072319 -0.039975  0.067505 -0.334422  0.384060  0.202277  0.152050  0.407075
    46. trestbps  0.284946 -0.064456 -0.036077  1.000000  0.130120  0.175340  0.146560 -0.045351  0.064762  0.189171  0.117382  0.157754
    47. chol      0.208950 -0.199915  0.072319  0.130120  1.000000  0.009841  0.171043 -0.003432  0.061310  0.046564 -0.004062  0.070909
    48. fbs       0.118530  0.047862 -0.039975  0.175340  0.009841  1.000000  0.069564 -0.007854  0.025665  0.005747  0.059894  0.059186
    49. restecg   0.148868  0.021647  0.067505  0.146560  0.171043  0.069564  1.000000 -0.083389  0.084867  0.114133  0.133946  0.183696
    50. thalach  -0.393806 -0.048663 -0.334422 -0.045351 -0.003432 -0.007854 -0.083389  1.000000 -0.378103 -0.343085 -0.385601 -0.415040
    51. exang     0.091661  0.146201  0.384060  0.064762  0.061310  0.025665  0.084867 -0.378103  1.000000  0.288223  0.257748  0.397057
    52. oldpeak   0.203805  0.102173  0.202277  0.189171  0.046564  0.005747  0.114133 -0.343085  0.288223  1.000000  0.577537  0.504092
    53. slope     0.161770  0.037533  0.152050  0.117382 -0.004062  0.059894  0.133946 -0.385601  0.257748  0.577537  1.000000  0.377957
    54. target    0.222853  0.224469  0.407075  0.157754  0.070909  0.059186  0.183696 -0.415040  0.397057  0.504092  0.377957  1.000000
    55. 可以看出 oldpeak ，cp  ，exang ，slope 对确诊心脏病作用大
    56.  
    57. 进程已结束，退出代码为 0

  • 相关阅读:
    OLED根据数据手册显示一条直线
    静态代码块和代码块的执行顺序解说
    使用navicat查看类型颜色
    C# in a Nutshell 系列（3）C#语言基础
    使用vxe-table 制作编辑表格
    决策树，sql考题，30个经典sql题目
    设0＜c＜1,a1=c/2,a(n+1)=c/2+an²/2,证明数列an收敛,并求其极限
    Qt for Android实现开机自启动
    力扣26：删除有序数组中的重复项
    es操作入门到高级
  • 原文地址：https://blog.csdn.net/weixin_58196051/article/details/126788079