Day7 打卡 复习日

@浙大疏锦行

复习日啦复习日啦，坚持打卡对笨人这种三分钟热度的小孩来说还是微微有些挑战的。

继续加油！！！

回顾一下前面六天学的内容，主要是一些简单的数据预处理

1. 清洗异常值，连续特征用箱线图，离散特征用直方图来判断，将异常值删去视为缺失值
2. 对于缺失值，数值型的数据用中位数，均值啥的来补充，分类型的数据用众数来补充
3. 对于离散特征，有顺序关系，标签编码（还没学）；无顺序关系，独热编码
4. 对于连续特征，根据后续模型需要选择是否进行归一化和对数化
5. 进行一些基本的可视化，单特征的可视化，特征与标签之间的可视化，特征与特征之间的可视化

针对心脏病数据集进行预处理

读取数据，判断离散特征与连续特征

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置全局字体为支持中文的字体 (例如 SimHei)
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决负号'-'显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

data = pd.read_csv(r'heart.csv')
print(data.head())

discrete_feature = []
continue_feature = []

for feature in data.columns:
    if data[feature].dtype == 'object':
        # 字符串类型直接判定为离散特征
        discrete_feature.append(feature)
        print(f'离散特征（字符串）：{feature}')
    else:
        # 数值类型按唯一值数量判断
        unique_count = data[feature].nunique()
        if unique_count <= 5:
            discrete_feature.append(feature)
            print(f'分类型特征（数值编码）：{feature}，值有：{data[feature].unique()}')
        else:
            continue_feature.append(feature)
            print(f'连续特征：{feature}，共{unique_count}个不同值')

 age  sex  cp  trestbps  chol  ...  oldpeak  slope  ca  thal  target
0   63    1   3       145   233  ...      2.3      0   0     1       1      
1   37    1   2       130   250  ...      3.5      0   0     2       1      
2   41    0   1       130   204  ...      1.4      2   0     2       1      
3   56    1   1       120   236  ...      0.8      2   0     2       1      
4   57    0   0       120   354  ...      0.6      2   0     2       1      

[5 rows x 14 columns]
连续特征：age，共41个不同值
分类型特征（数值编码）：sex，值有：[1 0]
分类型特征（数值编码）：cp，值有：[3 2 1 0]
连续特征：trestbps，共49个不同值
连续特征：chol，共152个不同值
分类型特征（数值编码）：fbs，值有：[1 0]
分类型特征（数值编码）：restecg，值有：[0 1 2]
连续特征：thalach，共91个不同值
分类型特征（数值编码）：exang，值有：[0 1]
连续特征：oldpeak，共40个不同值
分类型特征（数值编码）：slope，值有：[0 2 1]
分类型特征（数值编码）：ca，值有：[0 2 1 3 4]
分类型特征（数值编码）：thal，值有：[1 2 3 0]
分类型特征（数值编码）：target，值有：[1 0]

在查阅特征中文时发现，虽然部分特征看似为数值型但实则为分类型

对离散特征进行独热编码，类型转化

encode_data = pd.get_dummies(data,columns=discrete_feature,prefix=discrete_feature,drop_first=False)
# 将布尔型转化为数值型
encode_data = encode_data.astype(int)
print(encode_data.head())

   age  trestbps  chol  thalach  ...  thal_2  thal_3  target_0  target_1
0   63       145   233      150  ...       0       0         0         1    
1   37       130   250      187  ...       1       0         0         1    
2   41       130   204      172  ...       1       0         0         1    
3   56       120   236      178  ...       1       0         0         1    
4   57       120   354      163  ...       1       0         0         1    

[5 rows x 32 columns]

判断是否有缺失值，发现无缺失值

print(data.isnull().sum())

[5 rows x 32 columns]
age         0
sex         0
cp          0
trestbps    0
chol        0
fbs         0
restecg     0
thalach     0
exang       0
oldpeak     0
slope       0
ca          0
thal        0
target      0
dtype: int64

一些基本的可视化

一、年龄段与心脏病之间的关系

plt.figure(figsize=(12,6))
sns.histplot(data=data,x='age',hue='target',multiple='stack',bins=20,palette=['#1f77b4', '#ff7f0e'])
plt.title('不同年龄段的心脏病患病分布', fontsize=15)
plt.xlabel('年龄')
plt.ylabel('人数')
plt.legend(['健康', '患病'])
plt.tight_layout()
plt.show()

可以从图中看出来50-70这个年龄段是心脏病人群的高发年龄

二、性别与心脏病之间的关系

plt.figure(figsize=(8, 6))
# 计算不同性别的患病比例
gender_data = data.groupby('sex')['target'].mean().reset_index()
# 绘制柱状图
ax = sns.barplot(x='sex', y='target', data=gender_data, palette=['#e377c2', '#7f7f7f'])
# 添加百分比标签
for p in ax.patches:
    ax.annotate(f'{p.get_height():.1%}', 
                (p.get_x() + p.get_width()/2., p.get_height()),
                ha='center', va='bottom', fontsize=12)
plt.title('性别与心脏病患病率关系', fontsize=15)
plt.xlabel('性别（0=女，1=男）')
plt.ylabel('患病比例')
plt.tight_layout()
plt.show()

女性患病率是男性患病率的1.6倍

三、不同胸痛类型的患病情况

plt.figure(figsize=(10, 6))
# 胸部疼痛类型与患病关系
cp_order = sorted(data['cp'].unique())
sns.countplot(x='cp', hue='target', data=data, order=cp_order, palette='Set2')
plt.title('不同胸部疼痛类型的患病情况', fontsize=15)
plt.xlabel('胸部疼痛类型（0-3）')
plt.ylabel('人数')
plt.legend(['健康', '患病'])
plt.tight_layout()
plt.show()

疼痛类型为2的非典型心绞痛患病人数与患病率都最高

四、心脏病患者与健康人群的血压对比

plt.figure(figsize=(10, 6))
# 血压与患病关系箱线图
ax = sns.boxplot(x='target', y='trestbps', data=data, palette=['#1f77b4', '#ff7f0e'])
plt.title('心脏病患者与健康人群的血压对比', fontsize=15)
plt.xlabel('是否患病（0=健康，1=患病）')
plt.ylabel('静息血压（mmHg）')
plt.xticks([0, 1], ['健康', '患病'])
plt.tight_layout()
plt.show()

发现患病患者的血压高压最高值低于健康人群，但均值是差不多的，血压可能与是否患病的关系不大

五、心脏病人群与健康人群的最大心率对比

plt.figure(figsize=(10, 6))
# 最大心率与患病关系小提琴图
sns.violinplot(x='target', y='thalach', data=data, palette=['#2ca02c', '#d62728'], inner='quartile')
plt.title('心脏病患者与健康人群的最大心率对比', fontsize=15)
plt.xlabel('是否患病')
plt.ylabel('最大心率（次/分钟）')
plt.xticks([0, 1], ['健康', '患病'])
plt.tight_layout()
plt.show()

患病人群的最大心率普遍高于健康人群，分布集中在160次/分钟

六、不同性别和疼痛类型的患病比例

# 性别与疼痛类型交叉分析
# 数据预处理：添加性别和疼痛类型的中文标签
data['性别'] = data['sex'].map({0: '女性', 1: '男性'})
# UCI数据集中cp字段含义：0=典型心绞痛,1=非典型心绞痛,2=非心绞痛,3=无症状
data['疼痛类型'] = data['cp'].map({0: '典型心绞痛', 1: '非典型心绞痛', 2: '非心绞痛', 3: '无症状'})

# 绘制交叉分析图
plt.figure(figsize=(10, 6))
sns.barplot(
    data=data,
    x='疼痛类型',  # 分组轴：疼痛类型
    y='target',    # 指标轴：患病比例
    hue='性别',    # 分组变量：性别
    ci=None,       # 关闭置信区间
    palette=['#1f77b4', '#ff7f0e']
)

# 完善图表要素
plt.title('不同性别和疼痛类型的患病比例', fontsize=14)
plt.ylabel('患病比例', fontsize=12)
plt.xlabel('胸部疼痛类型', fontsize=12)
plt.ylim(0, 1)  # 设置y轴范围为0-1（比例）
plt.legend(title='性别')  # 图例标题与hue对应
plt.tight_layout()
plt.show()

患病比例总体上仍是女性高于男性，但在与疼痛类型的关系上男性与女性显现出较大不同，男性的胸部疼痛类型与患病比例与所有性别疼痛患病比例一致，均为非典型心绞痛患病比例最大。但女性在无症状与非心绞痛的疼痛类型中也有很高的患病率。这个是值得重点探究原因的。