- 博客(104)
- 收藏
- 关注
RSS订阅原创 用点包图洞察医学数据：以血压分析为例
拿血压数据来说，一眼扫过去，我们就能快速锁定哪些病人收缩压偏离正常均值较多，还能结合对应的健康状态，初步判断血压异常和疾病阶段之间的关联。要是拓展到大规模临床研究，分析诸如血糖、血脂等关键指标时，点包图同样能助力医生、研究者迅速梳理出不同亚组人群的指标差异，挖掘潜在的疾病风险因素，为精准医疗、个性化干预方案的制定提供可视化的数据支撑。函数绘制散点，横坐标是标准化的收缩压，纵坐标用索引定位，点的大小、透明度、颜色都精心设置，确保视觉效果清晰又美观。），麻雀虽小，五脏俱全，足够咱们开启分析之旅。
2024-12-29 21:20:57
640
原创 【医学数据分析必备】绘制金字塔图：揭秘不同年龄组疾病发病率的秘密武器
通过精准的数据可视化，我们能够更直观地理解疾病在不同人群中的分布特征，从而为制定预防和治疗策略提供有力支持。在医学研究中，金字塔图是一种非常实用的数据可视化工具，它能够帮助我们更直观地理解疾病在不同人群中的分布特征，为制定预防和治疗策略提供有力支持。在医学研究中，金字塔图常被用来展示不同年龄段人群的某种疾病发病率，从而帮助我们识别高风险人群，为公共卫生政策的制定提供数据支持。此外，金字塔图还可以用于对比不同性别、不同种族或不同地域人群的发病率差异，为医学研究和公共卫生政策的制定提供有力的数据支持。
2024-12-15 22:16:34
507
原创 解锁医学数据分析新姿势：堆叠图的奇妙世界
在医学数据分析中，数据的可视化是一个非常重要的环节。今天，我们将介绍一种非常有用的图形——堆叠图（Stacked Bar Chart），并展示如何在Python中使用Matplotlib库来绘制它。堆叠图不仅可以帮助我们展示不同分类数据的分布情况，还能清晰地揭示各类别之间的层级关系，非常适合于医学数据分析中的多种场景。堆叠图在医学数据分析中具有广泛的应用价值，它能够帮助我们更直观地理解分类数据的分布和组成。下面，我们将通过一个具体的例子，展示如何使用Python中的Matplotlib库来绘制堆叠图。
2024-12-15 21:57:40
658
原创 用Python绘制医学热图
热图是一种二维数据可视化技术，通过颜色变化来展示数据的分布和密度。在热图中，每个单元格的颜色表示一个特定的数据值，通常使用颜色渐变来表示数值的大小。
2024-12-08 22:28:46
887
原创 医学数据可视化之瀑布图绘制与应用
瀑布图作为一种有效的数据可视化工具，在医学数据研究中具有广泛的应用前景。通过本文介绍的 Python 代码示例，我们可以看到使用matplotlib库绘制瀑布图并不复杂，并且能够根据实际的医学数据需求进行灵活调整。
2024-12-07 21:32:27
1143
原创 极坐标气泡图：医学数据分析的可视化新视角
极坐标气泡图是一种强大的数据可视化工具，它能够在单一的图表中展示多个维度的数据。在医学研究中，极坐标气泡图不仅可以帮助我们更直观地理解数据，还可以揭示数据中隐藏的模式和趋势。因此，掌握极坐标气泡图的使用对于医学研究人员来说是非常重要的。
2024-11-22 22:48:39
537
原创 桑基图在医学数据分析中的更复杂应用示例
桑基图（Sankey Diagram）能够有效地展示复杂的流动关系，特别适合用于医学数据分析中的多种转归和治疗路径的可视化。
2024-11-03 21:56:11
851
原创 使用旭日图可视化患者疾病分类：一个医学数据分析的案例
旭日图（Sunburst Chart）作为一种高效的层级数据可视化技术，能清晰展示不同类别及其子类别间的关系。本文将通过一个实例，演示如何运用旭日图来可视化患者的疾病分类及相应的治疗方案。
2024-11-03 21:32:44
949
原创 揭秘医学数据奥秘：边际图在疾病分析与预防中的关键作用
边际图（Marginal Plot）作为一种直观展示双变量分布及其关系的工具，在数据分析和科学研究中扮演着重要角色。
2024-11-01 23:21:24
586
原创 探索医学数据：使用Seaborn的成对关系图揭示变量间的关联
成对关系图是医学研究中一种非常有用的数据可视化工具。通过绘制成对关系图，研究人员可以快速了解数据集中变量间的潜在关系，发现关联，评估治疗效果，并优化治疗方案。
2024-11-01 16:07:37
1211
原创 主成分分析（PCA）在医学数据分析中的神奇力量
PCA 是一种非常强大的数据分析工具，在医学数据分析中有着广泛的应用。通过数据降维和特征提取，PCA 可以帮助我们简化数据，去除噪声和冗余信息，从而更好地理解和处理数据。
2024-10-30 20:55:25
974
原创 ROC 曲线：医学研究中的得力助手
在医学研究中，我们常常需要评估诊断试验或预测模型的性能。而 ROC 曲线（Receiver Operating Characteristic curve）就是一种非常有用的工具，它可以帮助我们直观地了解模型的准确性和可靠性。
2024-10-30 20:05:04
2050
原创 视觉化医学数据：使用气泡图揭示患者健康指标的关系
气泡图因其直观性和多维性而广受欢迎。本文将通过一个具体例子，展示如何使用气泡图来分析患者的体重、胆固醇、药物剂量和血糖水平之间的关系。
2024-10-28 22:53:22
624
原创 雷达图：多维数据的可视化利器
在现代医学中，数据驱动的决策变得愈发重要。雷达图（Radar Chart），也被称为蜘蛛图（Spider Chart）或星形图（Star Plot），是一种有效的可视化工具，能够直观地展示多维数据的关系和相对大小。以下是使用雷达图展示病人健康指标的示例。
2024-10-28 22:08:46
338
原创 Python条形图 | 指标（特征）重要性图的绘制
特征选择是一个关键步骤，通过评估每个特征对模型预测能力的影响，我们可以选择最有意义的特征（指标），从而提高模型的性能并减少过拟合。
2024-10-27 22:09:48
739
1
原创 医学数据分析中的偏特征图可视化
偏特征图是一种非常有用的可视化技术，它可以帮助我们更好地理解医学数据模型的行为。在本文中，我们详细介绍了如何使用Python中的库绘制单变量PDP、单变量PDP+直方图以及双变量PDP。通过这些图形，我们可以更深入地洞察特征对模型预测结果的影响，从而进一步优化和改进医学数据分析模型。希望本文对您在医学领域的数据分析工作有所帮助。如果您有任何进一步的问题或需求,欢迎随时与我交流。
2024-10-27 21:22:54
955
原创 使用热图可视化医学数据：一步步指导
热图是通过颜色来表示数据值的矩阵。每个单元格的颜色代表了数据的数值大小，这样可以直观地展示不同变量之间的关系。在医学中，热图常用于显示患者的临床指标（如血压、心率等），帮助医生快速评估患者的健康状况。热图是一种直观且有效的数据可视化工具，能够帮助医学领域的专业人员快速分析和理解复杂数据。在本教程中，我们介绍了如何生成模拟医学数据并使用 Python 绘制热图。希望通过本教程，您能够掌握热图的基本绘制方法，并在将来能够应用于真实的医学数据分析中。希望这篇文章能为您在数据分析和可视化的旅程中提供帮助。
2024-10-26 22:19:10
918
1
原创 如何复现nature medicine的Shap图
在一篇令人振奋的 Nature Medicine 论文中，作者附上了用于生成 SHAP 图的制图代码，这确实值得庆幸。不过由于不同的环境等问题，我们照搬文章的代码不一定会得到文章中显示的图片。这确实会让我们很愚蒙，甚至一度怀疑自己。
2024-10-26 21:56:19
1464
原创 使用Matplotlib绘制箱线图：详细指南与示例
箱线图的绘制方法是：先找出一组数据的上边缘、下边缘、中位数和两个四分位数，然后连接两个四分位数形成箱体，再将上边缘和下边缘与箱体相连接。通过本文的学习，读者可以掌握绘制箱线图的基本步骤和美化技巧，并能够在实际的数据分析和可视化工作中灵活应用。希望本文能够对读者有所帮助！在数据分析和可视化领域，箱线图（Box Plot）是一种强大的工具，用于展示数据的分布特征，包括中位数、四分位数、异常值等。本文将详细介绍如何使用Matplotlib库在Python中绘制箱线图，并通过一个实际的血压数据集示例来指导读者。
2024-10-21 22:30:05
1264
原创 Python在医学数据可视化中的深度应用：结合饼图与柱状图的创新实践
饼图擅长展示各类别在整体中的比例关系，而柱状图则能清晰地展示各个数据点的具体数值。将这两种图表结合使用，可以既展示整体的比例分布，又揭示内部的详细构成，为医学数据的深入分析提供有力支持。
2024-10-20 21:30:01
1031
原创 使用Python生成UpSet图：详细指南与示例
在数据分析和可视化领域，UpSet图是一种强大的工具，它能够直观地展示多个集合之间的交集大小。图表的上方是一组堆叠的条形图，每个条形代表一个或多个变量的组合，条形的高度表示该组合中的元素数量。图表的下方是一个矩阵，展示了每对变量之间的交集大小。接下来，我们创建一个空的DataFrame，用于存储数据。通过仔细观察UpSet图，我们可以发现哪些变量组合最常见，以及它们之间的关联程度。此时，df是一个包含随机数据的DataFrame，其索引由三个布尔值列构成。现在，我们已经有了生成UpSet图所需的数据。
2024-10-20 13:46:26
757
原创 数据分析 | 标准化与归一化
标准化将特征转换为均值为0，标准差为1的分布。适用于许多机器学习模型，尤其是对分布形状敏感的模型（如线性回归、支持向量机等）。归一化将特征缩放到特定范围（通常是[0, 1]）。更适合在特定范围内进行训练的模型（如神经网络）。选择标准化或归一化取决于具体的应用场景和所使用的机器学习模型。
2024-10-08 17:55:07
882
1
原创 数据分析 | 热度编码和标签编码
热度编码（One-Hot Encoding）将每个类别转换为独立的二进制列，适合无序类别。可能导致维度爆炸。标签编码（Label Encoding）将每个类别转换为唯一的整数，适合有序类别。可能引入不必要的顺序关系，适合某些模型（如树模型）使用。选择合适的编码方式取决于数据的特性和后续模型的需求。在无序类别的情况下，热度编码通常是更好的选择，而标签编码适用于有序类别。
2024-10-08 17:53:59
611
原创 精确选择特征 | 分类与连续变量的完美结合
对于分类变量，可以使用虚拟变量编码（One-Hot Encoding）将其转换为数值型特征。可以基于某个模型（如逻辑回归、随机森林等）评估特征的重要性，然后逐步删除不重要的特征。- 对于连续变量，可以使用t检验（对于二分类的目标变量）或ANOVA（对于多分类的目标变量）来评估各个特征的显著性。在特征选择过程中，当同时存在分类变量和连续变量时，需要针对不同类型的变量采取不同的处理方法。- 对于分类变量，可以使用卡方检验（Chi-Squared Test）评估每个分类特征与目标变量之间的独立性。
2024-10-08 17:35:43
492
原创 C++二次封装接口
该文章主要用于实现一种C++ STL库的二次封装与开发，目的旨在让用户更简易地使用STL库。使得用户的操作更加方便。`contains`用于判断某个容器中是否有某个元素。
2024-09-05 20:17:20
408
原创 C++工具
本文旨在分享一种自定义的LOG模板，该LOG可以打印文件中的debug相关信息，同时可以以不同的颜色显示。LOG级别有5种类型，用户可以根据使用的具体场景进行选择和使用。
2024-09-05 20:07:54
350
原创 设计模式 | 单例模式
单例设计模式（Singleton Pattern）是一种创建型设计模式，它确保一个类只有一个实例，并提供一个全局访问点来获取该实例。这种模式常用于需要控制对某些资源的访问的场景，例如数据库连接、日志记录等。单例模式涉及以下几个核心元素：1.：通过将构造函数设为私有，防止其他类直接创建该类的实例。2.：在类内部创建一个静态变量来保存类的唯一实例。3.：提供一个公共的静态方法，用于获取该唯一实例。这个方法通常会检查实例是否存在，如果不存在则创建一个新实例。
2024-09-05 19:36:18
873
原创 设计模式 | 原型模式
原型设计模式（Prototype Pattern）是一种创建型设计模式，它通过复制已有对象来创建新对象，而不是通过构造函数。这种模式适用于需要大量相似对象的情况，避免了重复的初始化工作。原型模式的核心思想是通过一个原型实例来生成新的对象。通常，一个类会实现一个接口，该接口定义了一个克隆方法，用于复制其自身。1.：当创建对象的代价很大时，可以通过复制现有对象来减少开销。2.：在运行时动态生成多个相似对象，例如游戏中的角色、复杂模型等。3.：在无法确定创建对象的类时，可以使用原型模式进行对象创建。
2024-09-05 17:33:07
684
原创 二分查找算法
二分查找算法的基本框架以及一些应用案例分析。LeetCode#704LeetCode#34LeetCode#35LeetCode#875LeetCode#1011
2022-10-16 19:48:19
653
原创 栈实现DFS算法
DFS是搜索算法中非常常见的一种算法，通常实现的时候会通过递归调用的方式来实现，但是众所周知，当递归深度很深时可能会出现爆栈的情况。针对上述可能出现的问题，这里通过栈来实现DFS操作。...
2022-08-01 22:57:33
2200
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人