数据分析实战:利用Python对心脏病数据集进行分析

开发 后端
我们都很害怕生病,但感冒发烧这种从小到大的疾病我们已经麻木了,因为一星期他就会好,但是随着长大,各种发炎、三高、心脏病、冠心病响应而生。

 我们都很害怕生病,但感冒发烧这种从小到大的疾病我们已经麻木了,因为一星期他就会好,但是随着长大,各种发炎、三高、心脏病、冠心病响应而生。

[[315578]]

心脏病作为一种发作起来让人看了就觉得恐怖的疾病,每年不知道夺走多少生命。而那些患病健在的人们也必须在自己后续的生命里割舍太多东西,以防止心脏病发作。

没有得病的时候,我们永远觉得它离自己很远。我对心脏病的认知就是这样,我不知道它患病的原因,也不知哪些原因会引起心脏病。而患病后如何保持正常生活等等,一概不知。

今天在kaggle上看到一个心脏病数据(数据集下载地址和源码见文末),那么借此深入分析一下。

数据集读取与简单描述

首先导入library和设置好超参数,方便后续分析。

 

  1. import numpy as np 
  2. import pandas as pd 
  3. import matplotlib.pyplot as plt 
  4. import seaborn as sns 

通过对数据集读取和描述可以得到这两个表格:

 

可以看到有303行14列数据,每列的标题是age、sex、cp、……、target。他们就像每次去医院的化验单,非专业人士很多都不认识。所以利用官方的解释翻译后含义如下:

  • age: 该朋友的年龄
  • sex: 该朋友的性别 (1 = 男性, 0 = 女性)
  • cp: 经历过的胸痛类型(值1:典型心绞痛,值2:非典型性心绞痛,值3:非心绞痛,值4:无症状)
  • trestbps: 该朋友的静息血压(入院时的毫米汞柱)
  • chol: 该朋友的胆固醇测量值,单位 :mg/dl
  • fbs: 人的空腹血糖(> 120 mg/dl,1=真;0=假)
  • restecg: 静息心电图测量(0=正常,1=患有ST-T波异常,2=根据Estes的标准显示可能或确定的左心室肥大)
  • thalach: 这朋友达到的最大心率
  • exang: 运动引起的心绞痛(1=有过;0=没有)
  • oldpeak: ST抑制,由运动引起的相对于休息引起的(“ ST”与ECG图上的位置有关。这块比较专业,可以点这个看一个解读)
  • slope: 最高运动ST段的斜率(值1:上坡,值2:平坦,值3:下坡)
  • ca: 萤光显色的主要血管数目(0-4)
  • thal: 一种称为地中海贫血的血液疾病(3=正常;6=固定缺陷;7=可逆缺陷)
  • target: 心脏病(0=否,1=是)

所以这些信息里都是患病或者健康者的一些身体指标,并没有和他是否抽烟、是否熬夜、是否遗传、是否作息规律那些东西,因此找不到指导现在我们生活的点,比如说明要戒烟戒酒那些东西。

顺手送上一篇知乎链接 此外上边只是我通过原版数据集给的解读翻译的,如有出错误,欢迎纠正

拿到一套数据首先是要看看这个数据大概面貌~

男女比例

先看看患病比率,男女比例这些常规的

 

  1. countNoDisease = len(data[data.target == 0]) 
  2. countHaveDisease = len(data[data.target == 1]) 
  3. countfemale = len(data[data.sex == 0]) 
  4. countmale = len(data[data.sex == 1]) 
  5. print(f'没患病人数:{countNoDisease }',end=' ,'
  6. print("没有得心脏病比率: {:.2f}%".format((countNoDisease / (len(data.target))*100))) 
  7. print(f'有患病人数:{countHaveDisease }',end=' ,'
  8. print("患有心脏病比率: {:.2f}%".format((countHaveDisease / (len(data.target))*100))) 
  9. print(f'女性人数:{countfemale }',end=' ,'
  10. print("女性比例: {:.2f}%".format((countfemale / (len(data.sex))*100))) 
  11. print(f'男性人数:{countmale }',end=' ,'
  12. print("男性比例: {:.2f}%".format((countmale   / (len(data.sex))*100))) 

上边代码得到的答案如下,乍看上去男的多于女的,但前提是这个数据只是这个300人的样本展示,不代表全人类

没患病人数:138 ,没有得心脏病比率: 45.54%

有患病人数:165 ,患有心脏病比率: 54.46%

女性人数:96 ,女性比例: 31.68%

男性人数:207 ,男性比例: 68.32%

 

除了用饼图看这个面貌,还可以同时看一下

 

  1. fig, ax =plt.subplots(1,3)  #2个子区域 
  2. fig.set_size_inches(w=15,h=5)   # 设置画布大小 
  3. sns.countplot(x="sex", data=data,ax=ax[0]) 
  4. plt.xlabel("性别 (0 = female, 1= male)"
  5. sns.countplot(x="target", data=data,ax=ax[1]) 
  6. plt.xlabel("是否患病 (0 = 未患病, 1= 患病)"
  7. sns.swarmplot(x='sex',y='age',hue='target',data=data,ax=ax[2]) 
  8. plt.xlabel("性别 (0 = female, 1= male)"
  9. plt.show() 

从这三联图可以看到男性1多余女性0,患病target1多于未患病0,在年龄分布提琴图里可以看到女性患者比例多于男性患者比例。

其中比列详细拆解一下,见下方代码和图示:

 

  1. pd.crosstab(data.sex,data.target).plot(kind="bar",figsize=(15,6),color=['#30A9DE','#EFDC05' ]) 
  2. plt.title('各性别下患病图示'
  3. plt.xlabel('性别 (0 = 女性, 1 = 男性)'
  4. plt.xticks(rotation=0) 
  5. plt.legend(["未患病""患有心脏病"]) 
  6. plt.ylabel('人数'
  7. plt.show() 

 

可以看到这个数据集中女性患者数是健康数的3倍多。留下一个疑问,心脏病女性更容易得嘛?百度了一下,发现这个问题提问的人不少,但没有具体很科学的回答。google也同样如此。可能要找到这个答案需要再去找一找文献,但不是本文目的,因此没有去寻找这个真实比例。

在这个数据集中,男性多于女性一倍,分别207和96人;患病患者稍微多余未患病患者,患病165,138人。因为年龄可能是连续的,因此在第三幅图做年龄、性别、患病关系图,单从颜色观察可发现在这个数据集中,女性患病率大于男性。通过第四图和统计可以计算得到,男性患病率44.9% ,女性患病率75%。

需要注意,本文得到的患病率只是这个数据集的。

年龄和患病关系

通过以下代码来看一看:随着年龄增长患病比率有没有变化

(现在写这个文章的时候我才想到,可能即使有变化也没有意义,还是样本有限,如果这个样本空间覆盖再提升1000倍才能说明一些问题吧——即年龄和患有心脏病的关系)

 

  1. pd.crosstab(data.age,data.target).plot(kind="bar",figsize=(25,8)) 
  2. plt.title('患病变化随年龄分布图'
  3. plt.xlabel('岁数'
  4. plt.ylabel('比率'
  5. plt.savefig('heartDiseaseAndAges.png'
  6. plt.show() 

输出的图像如下:就这张图来说37-54岁患病人数多于未患病人数,年龄再继续升高后有没有这个规律了,在70+岁后患病人数又增加,这条仅能作为数据展示,不能作为结论。

 

 


 

 

数据集中还有很多维度可以组合分析,下边开始进行组合式探索分析

年龄-心率-患病三者关系

在这个数据集中,心率的词是‘thalach’,所以看年龄、心率、是否患病的关系。

 

  1. # 散点图 
  2. plt.scatter(x=data.age[data.target==1], y=data.thalach[(data.target==1)], c="red"
  3. plt.scatter(x=data.age[data.target==0], y=data.thalach[(data.target==0)], c='#41D3BD'
  4. plt.legend(["患病""未患病"]) 
  5. plt.xlabel("年龄"
  6. plt.ylabel("最大心率"
  7. plt.show() 
  8. # 再画个提琴图 
  9. sns.violinplot(x=data.target,y=data.trestbps,data=data) 
  10. plt.show() 

 


 

 

看到30岁心跳200那个点,吓我一跳,如果心脏病不是病,那200这个速度太让人膜拜了。

可以看到的是心跳速度患病的大概集中在140-200bpm之间。这个数据比未患病的人普遍高一些,从提琴图上也可以看到这个值分布比健康人高一些且更集中。

年龄和血压(trestbps)分布关系大家都知道体检的时候血压是常规测试项目,那么我想血压和年龄有什么关系吗?有没有心脏病和年龄有关系吗?

来做个图看一下。并尝试用不同的颜色区分。

 

  1. plt.scatter(x=data.age[data.target==1], y=data.trestbps[data.target==1], c="#FFA773"
  2. plt.scatter(x=data.age[data.target==0], y=data.trestbps[data.target==0], c="#8DE0FF"
  3. plt.legend(["患病",'未患病']) 
  4. plt.xlabel("年龄"
  5. plt.ylabel("血压"
  6. plt.show() 

 

看上去随着年龄增长,血压更飘了?从这个结果可以看到的是,静息血压患病人和未患病的人在血压方面都是均匀分布的,随着年龄增长也没有明显的分层变化。所以并不能直接从静息血压很好的判断出是否患心脏病。

那么血压与其他什么有关呢?

比如心率?好,来看看。

血压(trestbps)和心率(thalach)关系

血压、心率这两个都来自于心脏的动能,相当于发动机力量和发动机转速。我猜这俩有点关系,一起看看

 

  1. plt.scatter(x=data.thalach[data.target==1], y=data.trestbps[data.target==1], c="#FFA773"
  2. plt.scatter(x=data.thalach[data.target==0], y=data.trestbps[data.target==0], c="#8DE0FF"
  3. plt.legend(["患病",'未患病']) 
  4. plt.xlabel("心率"
  5. plt.ylabel("血压"
  6. plt.show() 

现实情况是,这个样本集中,除了能显示出患病新率高这个已有结果外,血压和心率没有相关性。

胸痛类型和心脏病、血压三者关系

表中有个数据是胸痛类型四个,分别是0123,他们和心脏病有关系吗,作图看看。

此外这块我要说的是,我上边的翻译是1 典型、2非典型、3非心绞痛、4无症状。

但是数据集中是0123 ,我再kaggle里看了很多人的作品,没有合理解释这个的,所以这个数据我只可视化展示,不分析。

 

  1. sns.swarmplot(x='target',y='trestbps',hue='cp',data=data, size=6) 
  2. plt.xlabel('是否患病'
  3. plt.show() 

 

 

  1. fig,ax=plt.subplots(1,2,figsize=(14,5)) 
  2. sns.countplot(x='cp',data=data,hue='target',palette='Set3',ax=ax[0]) 
  3. ax[0].set_xlabel("胸痛类型"
  4. data.cp.value_counts().plot.pie(ax=ax[1],autopct='%1.1f%%',explode=[0.01,0.01,0.01,0.01],shadow=True, cmap='Blues'
  5. ax[1].set_title("胸痛类型"

 

结论是:从上图可以看到的是0类疼痛的人在非患病群体中占大多数,而在患病群体中,123三种胸痛的人占了大部分。

运动引起的心绞痛与患病、心率关系

承接胸痛类型,运动引起心绞痛与是否患病有没有关系呢?与心率有没有关系呢?作图看一下

PS:运动引起心绞痛(exang: 1=有过;0=没有)

 

  1. sns.swarmplot(x='exang',y='thalach',hue='target',data=data, size=6) 
  2. plt.xlabel('有没有过运动引起心绞痛'
  3. plt.ylabel('最大心率'
  4. plt.show() 

 

得到的这个图像很有意思!

虽然最大心率是入院时候测的,但是在没有运动引起心绞痛的人中,最大心率集中度比较高,在160-180之间,而他们都患有心脏病。

我推测是:他们有心脏病,运动就难受,所以就不运动,所以根本不会有“运动时产生胸痛”这种问题。

而在运动中产生胸痛的人中(右边为1的)他们有很多产生过胸痛,这种人心率比较高,在120-150之间集中着,而其中很多人并没有心脏病,只是心率比较高。

大血管数量(ca)和血压(trestbps)、患病关系

 

  1. plt.figure(figsize=(15,5)) 
  2. sns.swarmplot(y='trestbps',data=data,x='ca',hue='target',palette='RdBu_r',size=7) 
  3. plt.xlabel('大血管数量'
  4. plt.ylabel('静息血压'
  5. plt.show() 

 

 

  1. plt.figure(figsize=(15,5)) 
  2. sns.catplot(x="ca", y="age", hue="target", kind="swarm", data=data, palette='RdBu_r'
  3. plt.xlabel('大血管显色数量'
  4. plt.ylabel('年龄' 

 

这个血管数量指银光显色。具体医学含义没搜到,所以不分析。只是为0的和患病有很大的相关性

年龄(age)和胆固醇(chol)关系

在我初高中的时候,我妈妈告诉我说,每天鸡蛋黄不要超过两个,不然会引起胆固醇高,那时候身体健康,从来不信这些话。我后来上大学了连每天一个都没保证住,但我记住了这句话,所以看到胆固醇三个字会想起这个家庭教育哈哈。

胆固醇侧面反映了血脂,那么下边生成一下胆固醇、年龄、患病三者关系散点图。为了区分,这次我又换了个颜色。

 

  1. plt.scatter(x=data.age[data.target==1], y=data.chol[data.target==1], c="orange"
  2. plt.scatter(x=data.age[data.target==0], y=data.chol[data.target==0], c="green"
  3. plt.legend(["患病",'未患病']) 
  4. plt.xlabel("年龄"
  5. plt.ylabel("胆固醇"
  6. plt.show() 
  7. # 箱型图 
  8. sns.boxplot(x=data.target,y=data.chol,data=data) 


 

 

在这个样本集中,患病者和非患病者胆固醇含量分布没有明显的分层现象,箱型图显示结果是合理上下限是一样的,只是25%、50%、75%三条线患病的人稍微稍微低一些。

结论就是胆固醇并不能直接反映有没有心脏病这件事。

相关性分析

分析了很多,那么哪些和患病相关的,而数据间又有啥关系呢?做个图看看,颜色越绿越相关,越红越负相关

 

  1. plt.figure(figsize=(15,10)) 
  2. ax= sns.heatmap(data.corr(),cmap=plt.cm.RdYlBu_r , annot=True ,fmt='.2f'
  3. a,b =ax.get_ylim() 
  4. ax.set_ylim(a+0.5,b-0.5) 

 

图像很好看对不对,只看最后一行,是否患病和cp、thalach、slope正相关,和exang、oldpeak、ca、thal等负相关。

本篇分析了心脏病数据集中的部分内容,14列其实有非常多的组合方式去分析。此外本文没有用到模型,只是数据可视化的方式进行简要分析。

本文中由于图片过大,在手机浏览可能看不清楚,故开源了代码,欢迎大家自己动手可视化试试。

责任编辑:华轩 来源: 凹凸数据
相关推荐

2017-09-20 18:20:24

深度学习图像处理心脏病

2020-08-16 12:44:59

小费数据集Python数据分析

2012-09-21 10:12:37

2020-06-05 14:29:07

PythonPandas数据分析

2017-09-26 19:02:09

PythonInstagram数据分析

2020-12-17 09:45:54

数据分析互联网大数据

2012-03-21 09:31:51

ibmdw

2011-06-29 10:13:09

SEO

2012-11-02 16:19:10

2019-01-15 14:21:13

Python数据分析数据

2020-04-30 16:38:21

数据分析可视化代码

2016-11-08 09:16:54

数据仓库优化

2018-08-30 17:50:30

图像数据分析通道

2010-05-20 14:42:02

MySQL数据

2011-04-14 09:05:07

ExcelMySQL数据

2020-05-13 11:32:28

数据分析数值分析

2023-05-15 12:41:26

2015-08-14 10:28:09

大数据

2020-05-14 10:19:23

Python可视化分析

2020-09-08 12:48:19

数据分析图表互联网
点赞
收藏

51CTO技术栈公众号