数据分析每周挑衅——心衰患者特征数据集
https://img-blog.csdnimg.cn/direct/fb0e1d38dfdf4164b3a251192c57c34f.png这是一篇关于医学数据的数据分析，但是这个数据集数据不是很多。
配景描述
本数据集包含了多个与心力衰竭相关的特征，用于分析和预测患者心力衰竭发作的风险。数据集涵盖了从40岁到95岁不等年龄的患者群体，提供了广泛的生理和生活方式指标，以资助研究职员和医疗专业职员更好地明白心衰的潜伏风险因素。
每条患者记载包含以下关键信息：
[*]年龄（Age）：记载患者的年龄，心脏病的风险随年龄增长而增加。
[*]贫血（Anaemia）：贫血大概影响心脏功能，记载患者是否患有贫血。
[*]高血压（High blood pressure）：高血压是心脏病的紧张风险因素之一。
[*]肌酸激酶（Creatinine phosphokinase, CPK）：血液中的CPK水平可以反映心肌损伤。
[*]糖尿病（Diabetes）：糖尿病与心脏病风险增加有关。
[*]射血分数（Ejection fraction）：心脏每次紧缩时泵出的血液百分比，是心脏功能的紧张指标。
[*]性别（Sex）：性别大概影响心脏病的风险和表现形式。
[*]血小板（Platelets）：血小板水平大概与血液凝固和心脏病风险相关。
[*]血清肌酐（Serum creatinine）：血液中的肌酐水平可以反映肾脏功能，与心脏病风险有关。
[*]血清钠（Serum sodium）：钠水平的异常大概与心脏疾病相关。
[*]吸烟（Smoking）：吸烟是心脏病的一个紧张可预防风险因素。
[*]时间（Time）：记载患者的随访期，用于观察恒久康健变化。
[*]死亡事件（death event）：记载患者在随访期间是否发生了死亡事件，作为研究的紧张结果指标。
数据说明
字段表明测量单元区间Age患者的年龄年（Years）Anaemia是否贫血（红细胞或血红蛋白淘汰）布尔值（Boolean）0, 1High blood pressure患者是否患有高血压布尔值（Boolean）0, 1Creatinine phosphokinase, CPK血液中的 CPK （肌酸激酶）水平微克/升（mcg/L）Diabetes患者是否患有糖尿病布尔值（Boolean）0, 1Ejection fraction每次心脏紧缩时离开心脏的血液百分比百分比（Percentage）Sex性别，女性0或男性1二进制（Binary）0, 1Platelets血液中的血小板数量千血小板/毫升（kiloplatelets/mL）Serum creatinine血液中的肌酐水平毫克/分升（mg/dL）Serum sodium血液中的钠水平毫摩尔/升（mEq/L）Smoking患者是否吸烟布尔值（Boolean）0, 1Time随访期天（Days）DEATH_EVENT患者在随访期间是否死亡布尔值（Boolean）0, 1 !pip install lifelines -i https://pypi.tuna.tsinghua.edu.cn/simple/
!pip install imblearn -i https://pypi.tuna.tsinghua.edu.cn/simple/ 这是我们这次用到的一些第三方库，大家假如没有安装，可以在jupyter notebook中直接下载。
一：导入第三方库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from lifelines import KaplanMeierFitter,CoxPHFitter
import scipy.stats as stats
from sklearn.model_selection import train_test_split
from imblearn.over_sampling import RandomOverSampler
from sklearn.metrics import classification_report,confusion_matrix,roc_curve,auc
from sklearn.ensemble import RandomForestClassifier
from pylab import mpl
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False 二：读取数据
data = pd.read_csv("D:/每周挑战/heart_failure_clinical_records_dataset.csv")
data.head() 三：对数据进行预处置惩罚
data = data.rename(columns={'age':'年龄','anaemia':'是否贫血','creatinine_phosphokinase':'血液中的CPK水平','diabetes':'患者是否患有糖尿病',
'ejection_fraction':'每次心脏收缩时离开心脏的血液百分比','high_blood_pressure':'患者是否患有高血压','platelets':'血液中的血小板数量','serum_creatinine':'血液中的肌酐水平',
'serum_sodium':'血液中的钠水平','sex':'性别(0为男)','smoking':'是否吸烟','time':'随访期(day)','DEATH_EVENT':'是否死亡'})
data.head()
# 将标签修改为中文更好看 上面这一段可以不写，假如你喜欢英语可以不加，假如你喜欢汉字，那你可以更改一下。
data.info()# 从这里可以观察出应该是没有缺失值
data.isnull().sum()# 没有缺失值
data_ = data.copy() # 方便我们后期对数据进行建模 区分连续数据和分类数据。
for i in data.columns:
if set(data.unique()) == {0,1}:
print(i)
print('-'*50)
for i in data.columns:
if set(data.unique()) != {0,1}:
print(i) 四：数据分析绘图
classify = ['anaemia','high_blood_pressure','diabetes','sex','smoking','DEATH_EVENT']#DEATH_EVENT 这个是研究的主要结果指标
numerical = ['age','creatinine_phosphokinase','ejection_fraction','platelets','serum_creatinine','serum_sodium','time']
plt.figure(figsize=((16,20)))
for i,col in enumerate(numerical):
plt.subplot(4,2,i+1)
sns.boxplot(y = data)
plt.title(f'{col}的箱线图', fontsize=14)
plt.ylabel('数值', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.tight_layout()
plt.show() https://img-blog.csdnimg.cn/direct/514f50eb80b749448def32bbbebfc274.png
从箱型图来看，有些数据有部分异常值，但是，由于缺乏医学知识，所以这里我们不能对异常值进行处置惩罚。
colors = ['#63FF9D', '#C191FF']
plt.figure(figsize=(10,12))
for i,col in enumerate(classify):
statistics = data.value_counts().reset_index()
plt.subplot(3,2,i+1)
sns.barplot(x=statistics['index'],y=statistics,palette=colors)
plt.title(f'{col}的条形图', fontsize=14)
plt.tight_layout()
plt.show() https://img-blog.csdnimg.cn/direct/0108342b0674454288278b5a901c3e3f.png
接下里，我们看时间对于生存率的影响，这里我们就用到了前面安装的KaplanMeierFitter。
kmf = KaplanMeierFitter()
kmf.fit(durations=data['time'],event_observed=data['DEATH_EVENT'])
plt.figure(figsize=(10,8))
kmf.plot_survival_function()
plt.title('Kaplan-Meier 生存曲线', fontsize=14)
plt.xlabel('时间（天）', fontsize=12)
plt.ylabel('生存概率', fontsize=12)
plt.show() https://img-blog.csdnimg.cn/direct/a9cb4d41a7544efa813b1ebf8cd0591f.png
随着时间的推移，生存概率逐渐降落。 在随访竣事时，生存概率大约为60%。 接下来，我们对特征相关性进行分析。
corr = data.corr(method="spearman")
plt.figure(figsize=(10,8))
sns.heatmap(corr,annot=True,cmap='coolwarm',fmt='.2g')
plt.title("斯皮尔曼相关性矩阵")
plt.show() https://img-blog.csdnimg.cn/direct/6be3e2ab282b4e0a9d4ec064c82d1657.png
显著相关性：
年龄、射血分数、血清肌酐 血清钠 和 随访期 与死亡事件之间的相关性较强。 射血分数和血清肌酐与死亡事件的相关性尤为显著，这表明这些变量对死亡事件的预测大概具有紧张意义。 弱相关性或无相关性：
贫血、高血压 与死亡事件有轻微相关性，但不显著。
肌酸激酶、糖尿病、血小板、性别 和 吸烟 与死亡事件几乎没有相关性。
def t_test(fea):
group1 = data == 0]
group2 = data == 1]
t,p = stats.ttest_ind(group1,group2)
return t,p
# 对数值变量进行t检验
t_test_results = {feature: t_test(feature) for feature in numerical}
t_test_df = pd.DataFrame.from_dict(t_test_results,orient='index',columns=['T-Statistic','P-Value'])
t_test_df T-StatisticP-Valueage-4.5219838.862975e-06creatinine_phosphokinase-1.0831712.796112e-01ejection_fraction4.8056282.452897e-06platelets0.8478683.971942e-01serum_creatinine-5.3064582.190198e-07serum_sodium3.4300636.889112e-04time10.6855639.122223e-23
t查验是一种统计方法，用于比较两组数据是否存在显著差异。该方法基于以下步骤和原理：
建立假设：首先建立零假设（H0），通常表示两个比较群体间没有差异，以及备择假设（H1），即存在差异。
盘算t值：盘算得到一个t值，这个值反映了样本均值与假定总体均值之间的差距巨细。
确定P值：通过t分布理论，盘算出在零假设为真的条件下，观察到当前t值或更极端情况的概率，即P值。
做出结论：假如P值小于事先设定的显著性水平（通常为0.05），则拒绝零假设，认为样原来自的两个总体之间存在显著差异；否则，不拒绝零假设。
对于连续数据的特征我们接纳t查验进行分析，而对于离散数据，我们接纳卡方查验进行分析
# 卡方检验
def chi_square_test(fea1, fea2):
contingency_table = pd.crosstab(data, data)
chi2, p, dof, expected = stats.chi2_contingency(contingency_table)
return chi2, p
chi_square_results = {}
chi_square_results = {feature: chi_square_test(feature, 'DEATH_EVENT') for feature in classify}
chi_square_df = pd.DataFrame.from_dict(chi_square_results,orient='index',columns=['Chi-Square','P-Value'])
chi_square_df Chi-SquareP-Valueanaemia1.0421753.073161e-01high_blood_pressure1.5434612.141034e-01diabetes0.0000001.000000e+00sex0.0000001.000000e+00smoking0.0073319.317653e-01DEATH_EVENT294.4301065.386429e-66 全部分类变量（贫血、糖尿病、高血压、性别、吸烟）的p值均大于0.05，表明它们与死亡事件无显著相关性。
最后我们对数据进行建模，这里我们使用随机森林，由于数据量较少，因此我们接纳随机采样的方法进行过采样。
x = data.drop('DEATH_EVENT',axis=1)
y = data['DEATH_EVENT']
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.3,random_state=15) #37分
# 实例化随机过采样器
oversampler = RandomOverSampler()
# 在训练集上进行随机过采样
x_train, y_train = oversampler.fit_resample(x_train, y_train)
rf_clf = RandomForestClassifier(random_state=15)
rf_clf.fit(x_train, y_train)
y_pred_rf = rf_clf.predict(x_test)
class_report_rf = classification_report(y_test, y_pred_rf)
print(class_report_rf) precision recallf1-score support
0 0.84 0.85 0.84 60
1 0.69 0.67 0.68 30
accuracy 0.79 90
macro avg 0.76 0.76 0.76 90
weighted avg 0.79 0.79 0.79 90 cm = confusion_matrix(y_test,y_pred_rf)
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='g', cmap='Blues',
xticklabels=['预测值 0', '预测值 1'],
yticklabels=['真实值 0', '真实值 1'])
plt.title('混淆矩阵')
plt.show() https://img-blog.csdnimg.cn/direct/7a4291b103b64ce9a725305fa54906ad.png
feature_importance = rf_clf.feature_importances_
feature = x.columns
sort_importance = feature_importance.argsort()
plt.figure(figsize=(10,8))
plt.barh(range(len(sort_importance)), feature_importance,color='#B5FFCD')
plt.yticks(range(len(sort_importance)), for i in sort_importance])
plt.xlabel('特征重要性')
plt.title('特征重要性分析')
plt.show() https://img-blog.csdnimg.cn/direct/af8b9b74ff9a4d61b1fa3cfac24385b3.png
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]