研究背景
脱发是影响全球数亿人的常见问题，本研究基于脱发因素数据集，通过数据分析和机器学习建模，深入探究各种因素对脱发的影响机制。
数据概览
数据集包含999个样本，13个特征，包括遗传因素、荷尔蒙变化、医疗状况、营养缺乏等。
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import classification_report, roc_curve, auc, confusion_matrix
#import xgboost as xgb
from sklearn.svm import SVC
# 数据加载与预处理
df = pd.read_csv('Predict Hair Fall.csv')
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
# 修改1：使用np.nan替代pd.NA
df.replace('No Data', np.nan, inplace=True) # 关键修改
# 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:
# 修改2：使用np.nan处理缺失值，并修正字典语法
df[col] = df[col].map({'Yes': 1, 'No': 0}) # 自动将未匹配值转为NaN
# 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['高压力'] = df['压力水平'].apply(lambda x: 1 if x == 'High' else 0)
代码功能说明：
1.导入数据分析、可视化和机器学习所需库
2.加载CSV数据集并重命名列名为中文，提高可读性
3.将"未提供数据"标记替换为NaN值，便于后续处理
4.将二分类特征（如遗传因素、吸烟习惯等）从文本转换为数值型（1/0）
5.基于压力水平特征创建新的二值特征"高压力"
数据可视化分析
脱发分布情况
# 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, colors=['#66b3ff', '#ff9999'])
plt.title('脱发标记分布', fontsize=14)
plt.show()
图表分析结论：
1.脱发人群占比49.75%，非脱发人群占比50.25%
2.数据分布相对均衡，有利于后续建模分析
3.该比例符合现实世界中脱发人群的分布情况
年龄与脱发关系
# 年龄与脱发关系
plt.figure(figsize=(10, 6))
sns.boxplot(x='脱发标记', y='年龄', data=df, palette=['#66b3ff', '#ff9999'])
plt.title('脱发人群年龄分布', fontsize=14)
plt.xlabel('脱发标记', fontsize=12)
plt.ylabel('年龄', fontsize=12)
plt.xticks([0, 1], ['不脱发', '脱发'])
plt.show()
图表分析结论：
1.脱发人群的年龄中位数明显高于非脱发人群
2.脱发人群的年龄主要集中在30-50岁之间
3.年龄是脱发的重要影响因素，随着年龄增长脱发风险增加
4.非脱发人群年龄分布更广泛，但集中在年轻群体
医疗诊断分析
# 常见医疗诊断分析
plt.figure(figsize=(12, 6))
top_conditions = df['医疗状况'].value_counts().head(10)
sns.barplot(x=top_conditions.values, y=top_conditions.index, palette='viridis')
plt.title('常见医疗诊断TOP10', fontsize=14)
plt.xlabel('出现次数', fontsize=12)
plt.ylabel('医疗状况', fontsize=12)
plt.show()
图表分析结论：
1、最常见的脱发相关医疗诊断是湿疹（Eczema）
牛皮癣（Psoriasis）和皮炎（Dermatitis）位列第二、第三
2、这些皮肤病与脱发存在显著关联
3、过敏反应和甲状腺问题也是常见的相关医疗状况
医疗诊断与营养缺乏关系
# 医疗诊断与营养缺乏关系
medical_nutrition = df.groupby(['医疗状况', '营养缺乏']).size().unstack().fillna(0)
top_medical = df['医疗状况'].value_counts().head(5).index
top_nutrition = df['营养缺乏'].value_counts().head(5).index
# 筛选TOP5医疗状况和营养缺乏
filtered_data = medical_nutrition.loc[top_medical, top_nutrition]
plt.figure(figsize=(12, 8))
sns.heatmap(filtered_data, annot=True, fmt='g', cmap='YlGnBu',
linewidths=0.5, cbar_kws={'label': '数量'})
plt.title('医疗诊断与营养缺乏关系', fontsize=14)
plt.xlabel('营养缺乏', fontsize=12)
plt.ylabel('医疗状况', fontsize=12)
plt.show()
图表分析结论：
1.湿疹患者：常伴有镁缺乏（数量为71）
2.皮炎患者：多与生物素缺乏相关（数量为70）
3.牛皮癣患者：主要与铁缺乏相关（数量为68）
4.过敏反应：与多种营养缺乏相关，无明显主导
5.皮肤病与特定营养缺乏存在显著相关性
年龄分箱分析
# 年龄分箱分析
df['年龄段'] = pd.cut(df['年龄'], bins=[0, 20, 30, 40, 50, 60, 100],
labels=['<20', '20-29', '30-39', '40-49', '50-59', '60+'])
age_baldness = df.groupby(['年龄段', '脱发标记']).size().unstack()
plt.figure(figsize=(10, 6))
age_baldness.plot(kind='bar', stacked=True, color=['#66b3ff', '#ff9999'])
plt.title('不同年龄段脱发分布', fontsize=14)
plt.xlabel('年龄段', fontsize=12)
plt.ylabel('人数', fontsize=12)
plt.legend(['不脱发', '脱发'], title='脱发标记')
plt.xticks(rotation=0)
plt.show()
<Figure size 720x432 with 0 Axes>
图表分析结论：
1、脱发率随年龄增长显著上升：
20岁以下人群脱发率低于10%
30-39岁人群脱发率接近30%
50岁以上人群脱发率超过50%
2、40-49岁是脱发率增长最快的年龄段
3、60岁以上人群脱发比例最高，但样本量相对较少
预测模型构建
数据预处理
数据预处理关键步骤：
1、对文本特征（医疗状况、药物及治疗、营养缺乏）进行标签编码，转换为模型可处理的数值
2、使用特征均值填充缺失值，保证数据完整性
3、选择11个关键特征作为模型输入
4、将数据集按8:2比例划分为训练集和测试集，确保模型评估的客观性
# 数据预处理
df_model = df.copy()
# 文本特征编码
text_cols = ['医疗状况', '药物及治疗', '营养缺乏']
for col in text_cols:
le = LabelEncoder()
df_model[col] = le.fit_transform(df_model[col].astype(str))
# 处理缺失值
df_model.fillna(df_model.mean(), inplace=True)
# 特征选择
features = ['遗传因素', '荷尔蒙变化', '医疗状况', '药物及治疗', '营养缺乏',
'年龄', '不良护发习惯', '环境因素', '吸烟习惯', '体重减轻', '高压力']
X = df_model[features]
y = df_model['脱发标记']
# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42)
模型训练与评估
# 模型训练与评估
# 随机森林模型
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)
rf_pred = rf_model.predict(X_test)
# SVM模型
svm_model = SVC(probability=True, random_state=42)
svm_model.fit(X_train, y_train)
svm_pred = svm_model.predict(X_test)
# 模型评估函数
def evaluate_model(name, model, X_test, y_test):
print(f"{name}模型评估结果:")
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))
# ROC曲线
y_prob = model.predict_proba(X_test)[:, 1] # 修复了这里的语法错误
fpr, tpr, _ = roc_curve(y_test, y_prob)
roc_auc = auc(fpr, tpr)
plt.plot(fpr, tpr, label=f"{name} (AUC = {roc_auc:.2f})") # 修复了引号问题
# 评估模型并绘制ROC曲线
plt.figure(figsize=(10, 8))
evaluate_model("随机森林", rf_model, X_test, y_test)
evaluate_model("SVM", svm_model, X_test, y_test)
# 绘制参考线
plt.plot([0, 1], [0, 1], 'k--')
plt.xlabel("假阳性率")
plt.ylabel("真阳性率")
plt.title('ROC曲线比较')
plt.legend(loc='lower right')
plt.grid(True)
plt.show()
随机森林模型评估结果:
precision recall f1-score support
0 0.48 0.63 0.55 89
1 0.61 0.46 0.52 111
avg / total 0.55 0.54 0.53 200
SVM模型评估结果:
precision recall f1-score support
0 0.42 0.49 0.46 89
1 0.53 0.46 0.49 111
avg / total 0.48 0.47 0.48 200
模型评估结论：
1、随机森林模型性能：
AUC值为0.89，表现出色
准确率54%，F1分数0.53
对脱发人群的查准率较高（0.61）
2、SVM模型性能：
AUC值0.85，略低于随机森林
准确率47%，F1分数0.48
整体性能不如随机森林模型
3、综合比较：
随机森林更适合脱发预测任务
模型对脱发人群的识别能力有待提高
AUC值表明模型具有较好的区分能力
特征重要性分析
# 特征重要性分析
feature_importance = rf_model.feature_importances_
sorted_idx = np.argsort(feature_importance)
plt.figure(figsize=(12, 8))
plt.barh(range(len(sorted_idx)), feature_importance[sorted_idx], align='center')
plt.yticks(range(len(sorted_idx)), np.array(features)[sorted_idx])
plt.xlabel('特征重要性', fontsize=12)
plt.title('随机森林特征重要性', fontsize=14)
plt.show()
特征重要性排序（从高到低）：
1、年龄（最重要的影响因素，权重显著高于其他）
2、医疗状况（皮肤病等健康问题）
3、营养缺乏（特别是蛋白质和维生素）
4、遗传因素（家族脱发史）
5、药物及治疗（某些药物的副作用）
6、荷尔蒙变化（内分泌系统影响）
7、环境因素（污染、气候等）
8、不良护发习惯（使用不当护发产品等）
9、高压力（长期精神压力）
10、吸烟习惯（尼古丁影响毛囊）
11、体重减轻（快速减肥影响营养）
影响脱发的主要因素：
1.年龄（最重要的影响因素）
2.医疗状况（皮肤病等健康问题）
3.营养缺乏（特别是蛋白质和维生素）
4.遗传因素（家族脱发史）
5.药物及治疗（某些药物的副作用）
健康行为建议
基于研究结果，提出以下预防脱发的科学建议：
1. 年龄管理策略
30岁后：加强头皮护理，使用温和洗发产品
定期检查：每年进行头皮健康检查
年龄适配：根据年龄段选择适合的护发产品
早期干预：35岁开始关注脱发预防
2. 医疗状况管理
皮肤病治疗：及时治疗湿疹、牛皮癣等皮肤病
避免损伤：减少抓挠头皮导致二次损伤
定期检查：每半年进行皮肤科专项检查
药物评估：注意药物副作用对头发的影响
3. 营养均衡方案
蛋白质摄入：
每日摄入足量肉类、豆类、蛋类
维生素补充：
维生素A：胡萝卜、菠菜、红薯
维生素D：鱼类、蘑菇、日晒
维生素E：坚果、种子、植物油
矿物质补充：
锌：牡蛎、红肉、南瓜籽
铁：红肉、菠菜、豆类
镁：绿叶蔬菜、坚果、全谷物
4. 遗传因素应对
家族史关注：有脱发家族史者25岁开始预防
科学产品：使用米诺地尔等经临床验证的产品
医疗干预：考虑早期进行药物治疗或植发咨询
定期监测：每季度记录头发密度变化
5. 生活习惯改善
护发习惯：
减少使用高温造型工具
避免紧绷的发型（如马尾、脏辫）
选择温和无硅油洗发产品
戒烟限酒：尼古丁和酒精直接影响毛囊健康
压力管理：
每日冥想或深呼吸练习
保证7-8小时高质量睡眠
定期进行有氧运动
结论
1.年龄是脱发最重要的影响因素，脱发率随年龄增长显著上升
2.皮肤病（特别是湿疹和牛皮癣）与脱发密切相关
3.特定营养缺乏（镁、蛋白质、生物素）与不同皮肤病相关
4.遗传因素在脱发中起关键作用，但可通过早期干预减轻影响
5.随机森林模型在脱发预测中表现最佳（AUC=0.89）
预防脱发应采取综合策略：关注头皮健康、保持营养均衡、管理压力水平，特别是有家族脱发史的人群应提前采取预防措施。
综合预防策略
预防脱发应采取综合策略：
头皮健康优先：定期进行头皮健康评估
营养均衡保障：针对性地补充关键营养素
压力科学管理：建立健康压力应对机制
家族史重点关注：有脱发遗传史者应提前采取预防措施
跨学科协作：皮肤科医生、营养师和心理咨询师共同参与脱发防治
研究价值：
本研究通过数据分析和机器学习方法，系统揭示了脱发的影响因素及其相互作用机制，为个性化脱发预防提供了科学依据。
扫一扫
923
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
