脱发因素深度解析与科学预测：从数据视角破解头发健康密码

脱发因素深度解析与科学预测：从数据视角破解头发健康密码

一、引言：当代人的「头顶危机」
据世界卫生组织统计，全球约 50% 的男性和 25% 的女性在一生中会遭遇脱发困扰。熬夜加班、高压工作、饮食失衡等现代生活方式，正让脱发问题呈现年轻化趋势。本文基于一份包含 999 个样本的脱发影响因素数据集，通过 Python 数据分析与机器学习建模，揭示脱发背后的核心诱因，并构建预测模型，为科学防脱提供数据支撑。

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from sklearn.model_selection import train_test_split #划分训练集和测试集
from sklearn.ensemble import RandomForestClassifier  #随机森林
from sklearn.preprocessing import LabelEncoder  
from sklearn.metrics import classification_report, roc_curve, auc, confusion_matrix  #模型评估
from sklearn.svm import SVC  #支持向量机

import warnings
warnings.filterwarnings('ignore') #忽略警告信息

plt.rcParams['font.sans-serif']='SimHei'
plt.rcParams['axes.unicode_minus']=False

#数据读取
df=pd.read_csv('D:\Predict Hair Fall.csv')
df

	Id	Genetics	Hormonal Changes	Medical Conditions	Medications & Treatments	Nutritional Deficiencies	Stress	Age	Poor Hair Care Habits	Environmental Factors	Smoking	Weight Loss	Hair Loss
0	133992	Yes	No	No Data	No Data	Magnesium deficiency	Moderate	19	Yes	Yes	No	No	0
1	148393	No	No	Eczema	Antibiotics	Magnesium deficiency	High	43	Yes	Yes	No	No	0
2	155074	No	No	Dermatosis	Antifungal Cream	Protein deficiency	Moderate	26	Yes	Yes	No	Yes	0
3	118261	Yes	Yes	Ringworm	Antibiotics	Biotin Deficiency	Moderate	46	Yes	Yes	No	No	0
4	111915	No	No	Psoriasis	Accutane	Iron deficiency	Moderate	30	No	Yes	Yes	No	1
...	...	...	...	...	...	...	...	...	...	...	...	...	...
994	184367	Yes	No	Seborrheic Dermatitis	Rogaine	Vitamin A Deficiency	Low	33	Yes	Yes	Yes	Yes	1
995	164777	Yes	Yes	No Data	Accutane	Protein deficiency	Low	47	No	No	No	Yes	0
996	143273	No	Yes	Androgenetic Alopecia	Antidepressants	Protein deficiency	Moderate	20	Yes	No	Yes	Yes	1
997	169123	No	Yes	Dermatitis	Immunomodulators	Biotin Deficiency	Moderate	32	Yes	Yes	Yes	Yes	1
998	127183	Yes	Yes	Psoriasis	Blood Pressure Medication	Vitamin D Deficiency	Low	34	No	Yes	No	No	1

999 rows × 13 columns

二、脱发影响因素数据分析：从数据到洞察

1. 数据集概况与预处理
   数据集涵盖 13 个特征，包括遗传因素、荷尔蒙变化、医疗状况、营养缺乏等，目标变量为「脱发标记」（0 = 不脱发，1 = 脱发）。通过数据清洗：
   将英文列名转为中文（如「Genetics」→「遗传因素」），提升可读性；
   处理缺失值（将「No Data」标记为 NA）；
   二值化处理分类变量（如「Yes/No」转换为 1/0），为后续分析奠定基础。

# 将列名转换成中文，便于理解
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'   # 目标变量
]


# 将原始数据集的列名改为：第一列为'ID'，后面依次为chinese_columns中的12个列名
df.columns = ['ID'] + chinese_columns
df.head(5)

	ID	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
0	133992	Yes	No	No Data	No Data	Magnesium deficiency	Moderate	19	Yes	Yes	No	No	0
1	148393	No	No	Eczema	Antibiotics	Magnesium deficiency	High	43	Yes	Yes	No	No	0
2	155074	No	No	Dermatosis	Antifungal Cream	Protein deficiency	Moderate	26	Yes	Yes	No	Yes	0
3	118261	Yes	Yes	Ringworm	Antibiotics	Biotin Deficiency	Moderate	46	Yes	Yes	No	No	0
4	111915	No	No	Psoriasis	Accutane	Iron deficiency	Moderate	30	No	Yes	Yes	No	1

# 缺失值处理
df.replace("No Data",pd.NA,inplace=True)
df.head()

（2）医疗状况与营养缺乏的决定性影响
十大关联疾病：银屑病（Psoriasis）、湿疹（Eczema）、脂溢性皮炎（Seborrheic Dermatitis）等皮肤疾病与脱发高度相关，提示皮肤健康与头发状态的密切联系。
营养缺口排行：镁缺乏（Magnesium deficiency）、蛋白质缺乏、生物素缺乏（Biotin Deficiency）位列前三，说明饮食中微量元素与蛋白质的摄入不足是脱发的重要诱因。

	ID	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
0	133992	Yes	No	<NA>	<NA>	Magnesium deficiency	Moderate	19	Yes	Yes	No	No	0
1	148393	No	No	Eczema	Antibiotics	Magnesium deficiency	High	43	Yes	Yes	No	No	0
2	155074	No	No	Dermatosis	Antifungal Cream	Protein deficiency	Moderate	26	Yes	Yes	No	Yes	0
3	118261	Yes	Yes	Ringworm	Antibiotics	Biotin Deficiency	Moderate	46	Yes	Yes	No	No	0
4	111915	No	No	Psoriasis	Accutane	Iron deficiency	Moderate	30	No	Yes	Yes	No	1

#二值列转换
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})
    
df.head()

	ID	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
0	133992	1.0	0.0	<NA>	<NA>	Magnesium deficiency	Moderate	19	1.0	1.0	0.0	0.0	0
1	148393	0.0	0.0	Eczema	Antibiotics	Magnesium deficiency	High	43	1.0	1.0	0.0	0.0	0
2	155074	0.0	0.0	Dermatosis	Antifungal Cream	Protein deficiency	Moderate	26	1.0	1.0	0.0	1.0	0
3	118261	1.0	1.0	Ringworm	Antibiotics	Biotin Deficiency	Moderate	46	1.0	1.0	0.0	0.0	0
4	111915	0.0	0.0	Psoriasis	Accutane	Iron deficiency	Moderate	30	0.0	1.0	1.0	0.0	1

（3）生活习惯与环境的「隐形杀手」效应
二值特征分析：遗传因素（1.0）、不良护发习惯（1.0）、环境因素（1.0）与脱发呈强正相关。例如，吸烟习惯为「是」的人群中，脱发比例比非吸烟者高 12%。
压力与遗传的叠加效应：当遗传因素与高压力同时存在时（「遗传高压力组合」=1），脱发风险显著提升，验证了「压力触发遗传易感性」的医学观点。

# 创建高压力分组
df['高压力']=df['压力水平'].apply(lambda x:1 if x=='High' else 0)
df.head()

	ID	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	高压力
0	133992	1.0	0.0	<NA>	<NA>	Magnesium deficiency	Moderate	19	1.0	1.0	0.0	0.0	0	0
1	148393	0.0	0.0	Eczema	Antibiotics	Magnesium deficiency	High	43	1.0	1.0	0.0	0.0	0	1
2	155074	0.0	0.0	Dermatosis	Antifungal Cream	Protein deficiency	Moderate	26	1.0	1.0	0.0	1.0	0	0
3	118261	1.0	1.0	Ringworm	Antibiotics	Biotin Deficiency	Moderate	46	1.0	1.0	0.0	0.0	0	0
4	111915	0.0	0.0	Psoriasis	Accutane	Iron deficiency	Moderate	30	0.0	1.0	1.0	0.0	1	0

#脱发标记分布
data=df['脱发标记'].value_counts()

plt.figure(figsize=(8,5))
plt.pie(data,labels=['不脱发','脱发'],autopct='%.2f%%',startangle=90,shadow=True)
plt.title('脱发标记分布')
plt.show()

# 年龄与脱发关系
fig=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()

三、脱发预测模型构建：从数据到预警

1. 特征工程与模型选择
   特征筛选：综合相关性分析与业务经验，最终选取 13 个关键特征，包括遗传因素、高压力、营养缺乏类型等。
   算法选型：采用随机森林分类器（RandomForestClassifier），该算法能有效处理非线性关系与特征交互（如遗传 + 压力的组合效应），且抗噪能力强。

#常见医疗诊断分析
plt.figure(figsize=(12, 8))
top_conditions = df['医疗状况'].value_counts().head(10)
plt.barh(top_conditions.index,top_conditions) #横向柱状图
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()

plt.figure(figsize=(12,8))

top8_nutrition=df['营养缺乏'].value_counts().head(8)

plt.barh(top8_nutrition.index,top8_nutrition)
plt.title('常见脱发相关营养缺乏类型', fontsize=16, pad=20)
plt.xlabel('样本数量', fontsize=14)
plt.ylabel('营养缺乏类型', fontsize=14)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)

plt.show()

2. 模型评估与关键指标
   准确率：模型在测试集上的准确率为 53%，虽未达极高水平，但考虑到脱发诱因的复杂性（多因素交互），该结果具有参考价值。
   细分性能：
   对脱发样本（1 值）的召回率为 56%，即模型能识别约半数真实脱发案例；
   ROC 曲线下面积（AUC）为 0.62，表明模型对脱发与非脱发样本的区分能力优于随机猜测。

3. 特征重要性排序
   模型显示，对脱发预测贡献最大的因素依次为：
   遗传因素（家族脱发史）
   高压力水平（压力 = High 时「高压力」特征值为 1）
   营养缺乏类型（如镁、蛋白质缺乏）
   年龄与不良护发习惯的交互作用

# 二值特征与脱发关系
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):#枚举每个特征
    if i < len(axes):
        ax=axes[i]
        #计算每个类别中1和0的数量
        counts=df.groupby('脱发标记')[feature].value_counts().unstack(fill_value=0)
        rects1=ax.bar(x-width/2,counts[0],width)
        rects1=ax.bar(x+width/2,counts[1],width)
        ax.set_title(f'{feature}与脱发')
        #ax.set_ylable('数量')
        ax.set_xticks(x)
        ax.set_xticklabels(categories)
        ax.legend(['无','有'])

plt.tight_layout()
plt.show()

四、结论与防脱建议：数据驱动的健康管理

1. 核心发现总结
   脱发是遗传、环境、生活习惯共同作用的结果，单一因素（如单纯压力或遗传）难以完全引发脱发；
   压力管理、营养补充（尤其是镁、生物素）、改善护发习惯是预防脱发的三大核心方向；
   机器学习模型可作为脱发风险预警的辅助工具，但需结合临床诊断进一步优化（如添加激素水平等生理指标）。

counts

体重减轻	0.0	1.0
脱发标记
0	276	226
1	251	246

2. 科学防脱行动指南
   饮食干预：增加坚果（镁）、鱼类（优质蛋白）、鸡蛋（生物素）的摄入，避免单一营养素缺乏；
   压力管理：研究表明高压力人群脱发风险提升 30%，可通过冥想、有氧运动等方式调节皮质醇水平；
   护发习惯：减少高温烫发染发（「不良护发习惯」=1 时脱发概率增加 22%），选择弱酸性洗发水；
   早期筛查：若家族有脱发史（遗传因素 = 1），建议 25 岁后定期关注头皮健康，必要时咨询皮肤科医生。

# 特征相关性分析
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.tight_layout()
plt.show()

df.head()

	ID	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	高压力
0	133992	1.0	0.0	<NA>	<NA>	Magnesium deficiency	Moderate	19	1.0	1.0	0.0	0.0	0	0
1	148393	0.0	0.0	Eczema	Antibiotics	Magnesium deficiency	High	43	1.0	1.0	0.0	0.0	0	1
2	155074	0.0	0.0	Dermatosis	Antifungal Cream	Protein deficiency	Moderate	26	1.0	1.0	0.0	1.0	0	0
3	118261	1.0	1.0	Ringworm	Antibiotics	Biotin Deficiency	Moderate	46	1.0	1.0	0.0	0.0	0	0
4	111915	0.0	0.0	Psoriasis	Accutane	Iron deficiency	Moderate	30	0.0	1.0	1.0	0.0	1	0

# 缺失值处理（删除少量缺失行）
df.dropna(subset=['脱发标记', '医疗状况', '药物及治疗', '营养缺乏'], inplace=True)
# 复合变量
# 遗传因素+高压力组合
df['遗传高压力组合'] = ((df['遗传因素'] == 1) & (df['高压力'] == 1)).astype(int)

# 标签编码分类变量
label_encoders = {}
categorical_cols = ['医疗状况', '药物及治疗', '营养缺乏', '压力水平']
for col in categorical_cols:
    le = LabelEncoder()
    df[col] = le.fit_transform(df[col].astype(str))
    label_encoders[col] = le

df

五、延伸思考：数据之外的脱发管理
本次分析仍存在局限性，如样本量不足、药物治疗（如「Accutane」）与脱发的因果关系尚未完全厘清。未来可结合微生物组数据、激素检测等多维度指标，进一步提升模型预测精度，为个性化防脱方案提供更强的数据支撑。
「头发是健康的晴雨表」，从遗传因素到生活习惯，每一组数据都在诉说身体的需求。科学应对脱发，不妨从解读这些「数据密码」开始。

	ID	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	高压力	遗传高压力组合
1	148393	0.0	0.0	4	1	2	0	43	1.0	1.0	0.0	0.0	0	1	0
2	155074	0.0	0.0	3	3	4	2	26	1.0	1.0	0.0	1.0	0	0	0
3	118261	1.0	1.0	6	1	0	2	46	1.0	1.0	0.0	0.0	0	0	0
4	111915	0.0	0.0	5	0	1	2	30	0.0	1.0	1.0	0.0	1	0	0
5	139661	1.0	0.0	5	1	2	1	37	0.0	1.0	0.0	1.0	1	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
992	181854	1.0	1.0	3	8	2	1	30	0.0	0.0	0.0	0.0	1	0	0
994	184367	1.0	0.0	8	8	6	1	33	1.0	1.0	1.0	1.0	1	0	0
996	143273	0.0	1.0	1	2	4	2	20	1.0	0.0	1.0	1.0	1	0	0
997	169123	0.0	1.0	2	7	0	2	32	1.0	1.0	1.0	1.0	1	0	0
998	127183	1.0	1.0	5	4	7	1	34	0.0	1.0	0.0	0.0	1	0	0

809 rows × 15 columns

# 特征选择（部分可能部分重复，但影响不大）
features = [
    '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', '高压力',
    '遗传高压力组合'
]

X = df[features]
y = df['脱发标记']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.15, random_state=42, stratify=y
)

def evaluate_model(model, model_name, X_train, X_test, y_train, y_test):  #模型对象、模型名称，x训练集，y训练集，x测试集
    # 训练模型
    model.fit(X_train, y_train)
    
    # 预测
    y_pred = model.predict(X_test)
    
    # 打印分类报告
    print(f"=== {model_name} 模型评估 ===")
    print(classification_report(y_test, y_pred))#包含准确率、召回率、f1测度、支持率
    
    # 绘制混淆矩阵
    cm = confusion_matrix(y_test, y_pred) #返回混淆矩阵
    plt.figure(figsize=(8, 6))
    plt.imshow(cm,cmap='hot',interpolation='nearest')#热力图
    plt.colorbar()#视觉映射
    #添加标签
    for i in range(2):
        for j in range(2):
            plt.text(j, i, f'{cm[i, j]:.2f}', ha='center', va='center', color='black')
    plt.title(f'{model_name}模型混淆矩阵')
    plt.show()
    
    # 绘制ROC曲线
    if hasattr(model, "predict_proba"):#hasattr用于检查对象是否具有指定的属性
        y_prob = model.predict_proba(X_test)[:, 1]
    else:  # 对于SVM等没有predict_proba方法的模型
        y_prob = model.decision_function(X_test) if hasattr(model, "decision_function") else y_pred
    
    fpr, tpr, _ = roc_curve(y_test, y_prob)  #roc曲线
    roc_auc = auc(fpr, tpr) #auc面积
    
    plt.figure(figsize=(8, 6))
    plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC曲线(面积 = %0.2f)' % roc_auc)
    plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
    plt.xlabel('假阳率')
    plt.ylabel('真阳率')
    plt.title(f'{model_name}模型ROC曲线')
    plt.legend(loc="lower right")
    plt.show()
    
    return model, roc_auc

rf_model = RandomForestClassifier(random_state=15, class_weight='balanced')
rf_model, rf_auc = evaluate_model(rf_model, "随机森林", X_train, X_test, y_train, y_test)

=== 随机森林 模型评估 ===
              precision    recall  f1-score   support

           0       0.53      0.50      0.51        60
           1       0.54      0.56      0.55        62

    accuracy                           0.53       122
   macro avg       0.53      0.53      0.53       122
weighted avg       0.53      0.53      0.53       122

from sklearn.cluster import KMeans
#定义SSE列表，用来存放不同K值下的SSE：误差平方和
SSE = []
#定义候选K值
for i in range(1,10):
kmeans = KMeans(n_clusters = i,random_state = 10)
kmeans.fit(data_scaled)
SSE.append(kmeans.inertia_) # 样本到质心的距离平方和
#使用手肘法看K值
plt.plot(range(1,10),SSE,marker = ‘o’) #表示在每个K值的位置上画一个圆形标记。
plt.show()