科大讯飞x Datawhale糖尿病遗传风险检测挑战赛

糖尿病遗传风险检测挑战赛

任务1：报名比赛

1. 步骤1：报名比赛http://challenge.xfyun.cn/topic/info?type=diabetes&ch=ds22-dw-zmt05
2. 下载比赛数据（点击比赛页面的赛题数据）
3. 解压比赛数据，并使用pandas进行读取；
4. 步骤4：查看训练集和测试集字段类型，并将数据读取代码写到博客；
   代码：

train=pd.read_csv(r'D:\桌面\科大讯飞赛事\糖尿病遗传风险预测挑战赛公开数据\train.csv',encoding='gbk')
test=pd.read_csv(r'D:\桌面\科大讯飞赛事\糖尿病遗传风险预测挑战赛公开数据\test.csv',encoding='gbk')
train.head()

任务2：比赛数据分析

1. 步骤1：统计字段的缺失值，计算缺失比例；
   首先通过data.info()观察训练集和测试集字段信息，可以看到均只在舒张压字段存在缺失值，缺失比例大概在5%。

train.info()
test.info()

2. 步骤2：分析字段的类型
   ‘编号’：一个标识个体身份的数字，没有实际意义。
   ‘性别’：1表示男性，0表示女性，共两类，为类别变量。
   ‘出生年份’：出生的年份，为类别变量。
   ‘体重指数’,：即BMI指数，为连续变量。
   ‘糖尿病家族史’：标识糖尿病的遗传特性，记录家族里面患有糖尿病的家属，分成三种标识，分别是父母有一方患有糖尿病、叔叔或者姑姑有一方患有糖尿病、无记录，共三类，为类别变量。
   ‘舒张压’：心脏舒张时，动脉血管弹性回缩时，产生的压力称为舒张压，单位mmHg，为连续变量。
   ‘口服耐糖量测试’：诊断糖尿病的一种实验室检查方法。比赛数据采用120分钟耐糖测试后的血糖值，单位mmol/L，为连续变量。
   ‘胰岛素释放实验’：空腹时定量口服葡萄糖刺激胰岛β细胞释放胰岛素。比赛数据采用服糖后120分钟的血浆胰岛素水平，单位pmol/L，为连续变量。
   ‘肱三头肌皮褶厚度’：在右上臂后面肩峰与鹰嘴连线的重点处，夹取与上肢长轴平行的皮褶，纵向测量，单位cm，为连续变量。
   ‘患有糖尿病标识’：数据标签，1表示患有糖尿病，0表示未患有糖尿病，共两类，为类别变量。

3. 步骤3：计算字段相关性

#计算字段相关性
a = train.drop('编号',axis=1)
a.corr()
#绘制热力图进行可视化
plt.figure(figsize=(8, 6),dpi=200)  
column = a.columns.tolist()  
mcorr = a[column].corr(method="spearman")  
mask = np.zeros_like(mcorr, dtype=np.bool)  
mask[np.triu_indices_from(mask)] = True  
cmap = sns.diverging_palette(220, 10, as_cmap=True)  
g = sns.heatmap(mcorr, mask=mask, cmap=cmap, square=True, annot=True, fmt='0.2f')  
plt.show()
#输出与标签列相关性绝对值大于0.1的特征
mcorr=mcorr.abs()
numerical_corr=mcorr[mcorr['患有糖尿病标识']>0.1]['患有糖尿病标识']
print(numerical_corr.sort_values(ascending=False))