python数据分析-糖尿病数据集数据分析预测

一、研究背景和意义

糖尿病是美国最普遍的慢性病之一，每年影响数百万美国人，并对经济造成重大的经济负担。糖尿病是一种严重的慢性疾病，其中个体失去有效调节血液中葡萄糖水平的能力，并可能导致生活质量和预期寿命下降。。。。

本案例分析针对糖尿病数据集进行探索和分析：

二、实证分析

首先，导入需要的基础包：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['KaiTi']  #中文
plt.rcParams['axes.unicode_minus'] = False   #负号import seaborn as sns

读取数据文件

###读取文件数据
df=pd.read_csv('data.csv')
###展示数据前15行
df.head(15)

数据集和代码

报告代码数据

###各项特征名称

年龄：13级年龄组（_AGEG5YR见密码本）

1 = 18-24 / 2 = 25-29 / 3 = 30-34 / 4 = 35-39 / 5 = 40-44 / 6 = 45-49 / 7 = 50-54 / 8 = 55-59 / 9 = 60-64 / 10 = 65-69 / 11 = 70-74 / 12 = 75-79 / 13 = 80 岁或以上

Sex：患者性别（1：男；0：女）

HighChol：0 = 无高胆固醇 1 = 高胆固醇

CholCheck：0 = 5 年内未进行胆固醇检查 1 = 5 年内进行了胆固醇检查

BMI：身体质量指数

吸烟者：您一生中至少吸过 100 支香烟吗？ [注：5 包 = 100 支香烟] 0 = 否 1 = 是

心脏病或发作：冠心病 (CHD) 或心肌梗塞 (MI) 0 = 否 1 = 是

PhysActivity：过去 30 天的身体活动 - 不包括工作 0 = 否 1 = 是

水果：每天吃水果 1 次或更多次 0 = 否 1 = 是

蔬菜：每天吃蔬菜 1 次或更多次 0 = 否 1 = 是

HvyAlcoholConsump：（成年男性每周 >=14 杯，成年女性每周 >=7 杯）0 = 否 1 = 是

GenHlth：总体而言，您的健康状况是： 等级 1-5 1 = 极好 2 = 非常好 3 = 好 4 = 一般 5 = 差

MentHlth：心理健康状况不佳的天数 1-30 天

PhysHlth：过去 30 天的身体疾病或受伤天数 1-30

DiffWalk：你走路或爬楼梯有严重困难吗？ 0 = 否 1 = 是

中风：您曾经中风。 0 = 否，1 = 是

HighBP：0 = 不高，BP 1 = 高 BP

糖尿病：0 = 无糖尿病，1 = 糖尿病

发现数据量为七万多行，17个特征

查看数据类型和形状

接下来进行基本的统计性描述分析

从上面结果可以看出，从描述中，我们观察到BMI，PhysHlth，MentHlth的标准差高于1， 

最大值和最小值之间的差异相对较高 

下来查看缺失值

数据比较完整，无缺失值，若有的话可以可视化一下： 

#观察缺失值可视化
import missingno as msno
msno.matrix(df)

 

对特征分别进行可视化一下   比如各个特征的占比情况等等

import seaborn as sb
for i in df.columns:fig, ax = plt.subplots(1,1, figsize=(15, 6))sb.countplot(y = df[i],data=df, order=df[i].value_counts().index)plt.ylabel(i)plt.yticks(fontsize=13)plt.show()

 

# 按性别分组，计算平均年龄和BMI
grouped = df.groupby('Sex')[['Age', 'BMI']].mean()

grouped['BMI'].plot(kind='bar')
plt.title('Average BMI by Gender')
plt.xlabel('Gender')
plt.ylabel('Average BMI')
plt.show()

接下来看一下特征之间的相关系数

从上面热力图可以看出,最大相关性在0.38左右

再画出具体特征的分布

sb.barplot(x=df['Diabetes'],y=df['HighBP'],color='red')

 

下来用直方图表示

df.hist(figsize=(20,20))
plt.show()

分别画出响应变量糖尿病与其他特征的关系

接下来看一下糖尿病分布

plt.figure(figsize=(12,5))
sns.displot(x='PhysHlth', col='Diabetes' , data = df, kind="kde" ,color = 'pink')

 

接下来进行标准化

df1 = df
cols = ['BMI', 'PhysHlth']
for i in cols:df1[i] = (df1[i] - df1[i].min()) / (df1[i].max() - df1[i].min())

 下面开始机器学习部分

####划分训练集和验证集
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
print('Non normalized dataset')
x_train, x_test, y_train, y_test= train_test_split(x,y,test_size=0.25,random_state=101)
print('Training: ', x_train.shape[0])
print('Test: ', x_test.shape[0])
st_x= StandardScaler()  
x_train= st_x.fit_transform(x_train)    
x_test= st_x.transform(x_test)print('Normalized dataset')
x_train1, x_test1, y_train1, y_test1 = train_test_split(x1,y1,test_size=0.25,random_state=101)
print('Training: ', x_train1.shape[0])
print('Test: ', x_test1.shape[0])

from sklearn.neighbors import KNeighborsClassifier
import time
from sklearn.metrics import accuracy_score, confusion_matrix, classification_reportexec = []
exec1 = []
st = time.time()
knn = KNeighborsClassifier(n_neighbors=5)knn.fit(x_train, y_train)
accuracy = []
accuracy1 = []y_pred = knn.predict(x_test)cm = confusion_matrix(y_test, y_pred)
print(cm)
print('\n')
print(classification_report(y_test,y_pred))
print(accuracy_score(y_test, y_pred))
accuracy.append(accuracy_score(y_test, y_pred))
exec.append(time.time() - st)print('\n\nNormalized DataSet')
st = time.time()knn.fit(x_train1, y_train1)

 

使用其他模型试一下,最终结果如下

#决策树
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()
model.fit(x_train, y_train)
model.score(x_test, y_test)

 

从以上结果可以看出,自适应提升Adaboost模型的效果还可以,达到了0.7486.其次是极端梯度提升,KNN以及最后的决策树。

三、总结

在这个项目中，我运用了机器学习的模型来预测一个人是否患有糖尿病，使用的模型包括自适应提升（AdaBoost）、K最近邻（KNN）和决策树（Decision Tree）等。自适应提升（AdaBoost）是一种集成学习方法.它通过不断迭代调整样本权重，训练出多个弱分类器，最终组合成一个强分类器。通过对不同算法的比较和分析，最终发现自适应提升最优的算法来进行预测，并根据预测结果来制定相应的医疗干预措施，以帮助预防和治疗糖尿病。。

创作不易，希望大家多点赞关注评论！！！（类似代码或报告定制可以私信）