有关脱发的python数据分析

为方便理解，将英文列名转换为中文，构建中文列名列表  chinese_columns  ，包含  遗传因素 、 荷尔蒙变化  等特征，再重置数据集列名 ：
 
python   
chinese_columns = [
    '遗传因素', '荷尔蒙变化', '医疗状况', '药物及治疗', 
    '营养缺乏', '压力水平', '年龄', '不良护发习惯', 
    '环境因素', '吸烟习惯', '体重减轻', '脱发标记'
]
df.columns = ['ID'] + chinese_columns
 
 
（二）缺失值与二值化处理
 
数据中存在标识为  No Data  的缺失值，统一转换为  pandas  标准缺失值  pd.NA  ：
 
python   
df.replace("No Data", pd.NA, inplace=True)
 
 
针对  遗传因素 、 荷尔蒙变化  等二值特征（取值为  Yes  或  No  ），通过  map  函数转换为数值  1 （ Yes  ）和  0 （ No  ），缺失值转为  np.nan  ，便于后续分析 ：
 
python   
import numpy as np
binary_cols = ['遗传因素', '荷尔蒙变化', '不良护发习惯', '环境因素', '吸烟习惯', '体重减轻']
for col in binary_cols:
    df[col] = df[col].map({'Yes': 1, 'No': 0, pd.NA: np.nan})
 
 
另外，从  压力水平  衍生出  高压力  二值特征，若压力水平为  High  则标记为  1  ，否则为  0  ：
 
python   
df['高压力'] = df['压力水平'].apply(lambda x: 1 if x == 'High' else 0)
 
 
三、数据可视化分析
 
（一）脱发标记分布
 
先统计  脱发标记  中  脱发  和  不脱发  的人数占比，用饼图直观呈现：
 
python   
import matplotlib.pyplot as plt
data = df['脱发标记'].value_counts()
plt.figure(figsize=(8, 5))
plt.pie(data, labels=['不脱发', '脱发'], autopct='%1.2f%%', startangle=90, shadow=True)
plt.title('脱发标记分布')
plt.show()
 
 
从饼图可快速了解样本中脱发人群的基础占比情况。
 
（二）二值特征与脱发关系
 
选取  遗传因素 、 荷尔蒙变化  等二值特征，分析它们与脱发的关联。通过  subplots  创建 3×2 布局的子图，循环遍历特征，按  脱发标记  分组统计特征取值频次，绘制分组柱状图：
 
python   
features = ['遗传因素', '荷尔蒙变化', '不良护发习惯', '环境因素', '吸烟习惯', '体重减轻']
fig, axes = plt.subplots(3, 2, figsize=(15, 15))
axes = axes.flatten()
df['脱发标记'] = df['脱发标记'].astype('category')
categories = df['脱发标记'].cat.categories
num_categories = len(categories)
x = np.arange(num_categories)
width = 0.35

for i, feature in enumerate(features):
    if i < len(axes):
        ax = axes[i]
        count = df.groupby('脱发标记')[feature].value_counts().unstack(fill_value=0)
        rects1 = ax.bar(x - width/2, count[0], width)
        rects2 = ax.bar(x + width/2, count[1], width)
        ax.set_title(f'{feature}与脱发')
        ax.set_xticks(x)
        ax.set_xticklabels(categories)
        ax.legend(['不脱发', '脱发'])

plt.tight_layout()
plt.show()
 
 
每组柱状图对比不同脱发情况（脱发 / 不脱发 ）下，对应特征的分布差异，助力挖掘关键影响因素。
 
（三）年龄与脱发关系
 
利用箱线图展示脱发和不脱发人群的年龄分布差异，观察年龄对脱发的潜在影响：
 
python   
plt.figure(figsize=(10, 6))
ax1 = plt.subplot(111)
df.boxplot(column='年龄', by='脱发标记', ax=ax1)
ax1.set_title('脱发人群年龄分布', fontsize=14)
ax1.set_ylabel('年龄')
plt.show()
 
 
箱线图呈现出年龄的中位数、离散程度等信息，辅助分析年龄与脱发的关联。
 
（四）特征相关性分析
 
选取  遗传因素 、 高压力  等特征，计算相关系数，用热力图可视化特征间关联，重点关注与  脱发标记  的相关性：
 
python   
corr_features = ['遗传因素', '荷尔蒙变化', '高压力', '不良护发习惯', '吸烟习惯', '体重减轻', '脱发标记']
corr = df[corr_features].corr()
plt.figure(figsize=(12, 8))
plt.imshow(corr, cmap='hot', interpolation='nearest', alpha=0.9)
plt.colorbar()
plt.title('脱发相关因素相关系数热力图', fontsize=14)
plt.show()
 
 
热力图以颜色深浅直观呈现特征间相关程度，便于发现对脱发影响显著的因素。
 
（五）医疗状况与脱发分析
 
统计  医疗状况  字段的 Top10 类别，绘制横向柱状图，探索脱发人群常见医疗状况：
 
python   
plt.figure(figsize=(12, 8))
top_conditions = df['医疗状况'].value_counts().head(10)
plt.barh(top_conditions.index, top_conditions)
plt.title('十大常见脱发相关医疗状况', fontsize=14)
plt.xlabel('样本数量', fontsize=12)
plt.ylabel('医疗状况', fontsize=12)
plt.tight_layout()
plt.show()
 
 
该图清晰展示与脱发关联紧密的医疗状况分布，为从医学角度分析脱发提供参考。

数据预处理总结
数据加载与探查

成功加载了脱发预测数据集
查看了数据的基本结构和内容
对短表数据和长表数据采用了不同的探查策略
数据清洗

处理了特殊缺失值表示（"No Data"）
对数值型和类别型缺失值采用了不同的填充策略
进行了缺失值统计和报告
特征工程

对二值型特征进行了 0/1 编码
对多类别特征进行了标签编码
从现有特征派生出了新特征（高压力特征）
对数值特征进行了标准化处理
数据准备

划分了特征矩阵和目标变量
创建了训练集和测试集
保存了预处理后的数据用于后续分析
下一步建议
模型训练与评估

使用预处理后的数据训练分类模型（如逻辑回归、随机森林、支持向量机等）
比较不同模型的性能表现
进行模型调优以提高预测准确率
特征重要性分析

确定哪些因素对脱发影响最大
基于特征重要性进行特征选择
解释模型预测结果，为预防脱发提供建议
结果可视化

可视化模型预测结果
创建特征重要性图表
生成脱发风险因素的直观展示
部署与应用

将模型部署为预测服务
开发用户界面，让用户可以输入自己的信息并得到脱发风险评估
定期更新模型
一、聚焦数据价值，赋能脱发分析
从加载原始数据，到完成缺失值处理、特征编码与工程化，每一步都在为挖掘脱发影响因素筑牢基础。经预处理的 “干净” 数据，已具备支撑机器学习建模的条件，后续可借算法探寻遗传、环境、生活习惯等因素与脱发间的潜在关联，为脱发预测、干预策略制定提供数据驱动的科学依据，助力解开脱发成因谜团，从数据视角为守护毛发健康添砖加瓦。

 
二、以数据预处理为起点，探索脱发预测新篇
至此，脱发数据完成从原始采集到规范可用的蜕变，缺失值妥善处理、特征含义清晰编码、新特征拓展维度。这不仅是数据清洗的终点，更是脱发预测建模的全新起点。后续借随机森林、SVM 等算法，可深度挖掘 “遗传 - 环境 - 行为” 等因素与脱发的关联规律，为个性化脱发风险评估、干预方案开发铺路，让数据真正成为破解毛发健康难题的 “密钥”，开启精准预测、科学防脱的探索新章 。
 
四、总结与展望
 
本项目围绕脱发影响因素展开深度分析。数据预处理阶段，完成列名汉化、缺失值转换与二值特征处理，为分析奠基。可视化环节，通过饼图呈现脱发标记分布，分组柱状图剖析遗传、护发习惯等二值特征与脱发关联，箱线图洞察年龄影响，热力图挖掘特征相关性，横向柱状图展现常见医疗状况。
 
从结果看，遗传、不良生活习惯等与脱发关联显著，年龄分布及医疗状况也暗藏脱发线索。后续可拓展分组统计（如年龄分箱、多因素交叉）、聚焦遗传等特定因素做多维度分析，结合机器学习建模预测，挖掘特征重要性，为脱发预防策略开发、健康行为建议提供数据支撑，助力解决脱发难题 。

当最后一行代码执行完毕，这份承载着脱发研究希望的数据集已完成从混沌到有序的蜕变。起初散落于Predict Hair Fall.csv中的原始信息 —— 从遗传因素的 "Yes/No" 记录，到压力水平的文本描述，再到医疗状况的复杂标签 —— 曾如未经雕琢的璞玉，暗藏着脱发诱因的密码，却因格式杂乱而难以直接解读。预处理过程恰似一场数据的 "基因测序"：我们先以replace方法将 "No Data" 这类非标准缺失值转化为NaN，让数据瑕疵无所遁形；继而用均值与众数为不同类型特征填补缺口，如同为破损的拼图补全关键碎片。对于 "Genetics" 这类二值特征，我们用 0/1 编码赋予其数学生命力；面对 "Medical Conditions" 等多类别标签，LabelEncoder则像翻译官般将文本转化为模型可理解的数字语言。最关键的是，从 "Stress Level" 中提炼出 "High Stress" 这一衍生特征，犹如在数据丛林中开辟出一条直达核心的路径，让压力因素对脱发的影响得以量化呈现。标准化处理则为数据注入了统一的 "度量衡"—— 当Age列的数值被压缩至均值为 0、标准差为 1 的坐标系中，不同特征间的量纲差异被彻底消弭，确保后续无论选择敏感于数值分布的 SVM，还是擅长捕捉非线性关系的随机森林，模型都能在公平的起跑线上学习。而 8:2 的数据集划分，更像是为模型准备了 "模拟考" 与 "正式考"，既保证其从多数数据中汲取规律，又能在少数样本中验证泛化能力。此刻躺在Predict Hair Fall_preprocessed.csv中的每一行数据，都已成为脱发研究的 "标准样本"。它们不再是孤立的观测记录，而是被赋予了数学意义的特征向量：1 可能代表 "有遗传史"，0.5 可能对应 "标准化后的中等年龄"，而新生成的 "High Stress" 列则像信号灯般标记出高风险群体。接下来，当算法开始在这些数据中寻找模式时，我们或许能发现：在遗传因素与压力水平的交互作用下，某类营养缺失会成为脱发的 "扳机"；或是某种护发习惯能显著抵消环境因素的负面影响 —— 这些洞见将不再是经验之谈，而是建立在数据统计规律上的科学结论。从数据清洗到特征工程，每一步操作都在为 "智能防脱" 铺设基石。未来，当这套预处理流程与深度学习模型结合，或许能开发出个人化的脱发风险评估工具：输入年龄、生活习惯等信息，算法即可基于千万级预处理后的样本经验，给出精准的风险预警与干预建议。而这一切的起点，正是此刻完成的这场数据预处理
————————————————
版权声明：本文为优快云博主「cxyyyds123456」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/cxyyyds123456/article/details/148926906