讯飞-糖尿病遗传风险检测挑战赛

---

前言

本文章是在Coggle 30 Days of ML（22年7月）活动中创作的

截至2022年，中国糖尿病患者近1.3亿。中国糖尿病患病原因受生活方式、老龄化、城市化、家族遗传等多种因素影响。同时，糖尿病患者趋向年轻化。

糖尿病可导致心血管、肾脏、脑血管并发症的发生。因此，准确诊断出患有糖尿病个体具有非常重要的临床意义。糖尿病早期遗传风险预测将有助于预防糖尿病的发生。

根据《中国2型糖尿病防治指南（2017年版）》，糖尿病的诊断标准是具有典型糖尿病症状（烦渴多饮、多尿、多食、不明原因的体重下降）且随机静脉血浆葡萄糖≥11.1mmol/L或空腹静脉血浆葡萄糖≥7.0mmol/L或口服葡萄糖耐量试验（OGTT）负荷后2h血浆葡萄糖≥11.1mmol/L。

在这次比赛中，需要通过训练数据集构建糖尿病遗传风险预测模型，然后预测出测试数据集中个体是否患有糖尿病，和我们一起帮助糖尿病患者解决这“甜蜜的烦恼”。

---

相关库

1. pandas(1.1.5)
2. numpy(1.19.5)
3. matplotlib(3.3.4)
4. seaborn(0.11.2)
5. scikit-learn(0.24.2)

%matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import MinMaxScaler
from sklearn.pipeline import make_pipeline

plt.rcParams['font.sans-serif'] = ['FangSong']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

一、比赛报名

1.1 赛事任务

以下介绍从官网上复制而来

数据集字段说明：

• 编号：标识个体身份的数字；
• 性别：1 表示男性，0 表示女性；
• 出生年份，出生的年份，XXXX 格式；
• 体重指数：体重除以身高的平方，单位 $kg/m^2$；
• 糖尿病家族史，标识糖尿病的遗传特征，记录家族里面患有糖尿病的家属；
• 舒张压：心脏舒张时，动脉血管弹性回缩时，产生的压力成为舒张压，单位 $mmHg$；
• 口服耐糖量测试：比赛数据采用 120 分钟耐糖测试后的血糖值，单位 $mmol/L$；
• 胰岛素释放实验：空腹时定量口服葡萄糖刺激 $\beta$ 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；
• 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，夹取与上肢衣袖平行的皮褶，纵向测量，单位 cm；
• 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。

1.2 读取数据

训练数据集

df_train = pd.read_csv(filepath_or_buffer='../data/比赛训练集.csv', encoding='gbk', index_col='编号')
df_train.head()

	性别	出生年份	体重指数	糖尿病家族史	舒张压	口服耐糖量测试	胰岛素释放实验	肱三头肌皮褶厚度	患有糖尿病标识
编号
1	0	1996	30.1	无记录	106.0	3.818	7.89	0.0	0
2	0	1988	27.5	无记录	84.0	-1.000	0.00	14.7	0
3	1	1988	36.5	无记录	85.0	7.131	0.00	40.1	1
4	1	1992	29.5	无记录	91.0	7.041	0.00	0.0	0
5	0	1998	42.0	叔叔或者姑姑有一方患有糖尿病	NaN	7.134	0.00	0.0	1

测试数据集

df_test = pd.read_csv(filepath_or_buffer='../data/比赛测试集.csv', encoding='gbk', index_col='编号')
df_test.head()

	性别	出生年份	体重指数	糖尿病家族史	舒张压	口服耐糖量测试	胰岛素释放实验	肱三头肌皮褶厚度
编号
1	0	1987	33.1	无记录	72.0	6.586	24.16	2.94
2	0	1998	20.6	叔叔或者姑姑有一方患有糖尿病	68.0	3.861	0.00	0.00
3	1	1979	42.1	无记录	98.0	5.713	0.00	3.53
4	0	1999	34.6	无记录	66.0	4.684	0.00	3.14
5	0	1997	27.7	无记录	89.0	7.948	14.65	2.65

1.3 数据集基本信息

数据集维度

print(df_train.shape)
print(df_test.shape)

(5070, 9)
(1000, 8)

数据表基本信息

print('训练集：')
df_train.info()

训练集：

Int64Index: 5070 entries, 1 to 5070
Data columns (total 9 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   性别        5070 non-null   int64  
 1   出生年份      5070 non-null   int64  
 2   体重指数      5070 non-null   float64
 3   糖尿病家族史    5070 non-null   object 
 4   舒张压       4823 non-null   float64
 5   口服耐糖量测试   5070 non-null   float64
 6   胰岛素释放实验   5070 non-null   float64
 7   肱三头肌皮褶厚度  5070 non-null   float64
 8   患有糖尿病标识   5070 non-null   int64  
dtypes: float64(5), int64(3), object(1)
memory usage: 396.1+ KB

df_train['糖尿病家族史'].unique()

array(['无记录', '叔叔或者姑姑有一方患有糖尿病', '叔叔或姑姑有一方患有糖尿病', '父母有一方患有糖尿病'],
      dtype=object)

print('测试集：')
df_test.info()

测试集：

Int64Index: 1000 entries, 1 to 1000
Data columns (total 8 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   性别        1000 non-null   int64  
 1   出生年份      1000 non-null   int64  
 2   体重指数      1000 non-null   float64
 3   糖尿病家族史    1000 non-null   object 
 4   舒张压       951 non-null    float64
 5   口服耐糖量测试   1000 non-null   float64
 6   胰岛素释放实验   1000 non-null   float64
 7   肱三头肌皮褶厚度  1000 non-null   float64
dtypes: float64(5), int64(2), object(1)
memory usage: 70.3+ KB

df_test['糖尿病家族史'].unique()

array(['无记录', '叔叔或者姑姑有一方患有糖尿病', '父母有一方患有糖尿病', '叔叔或姑姑有一方患有糖尿病'],
      dtype=object)

二、比赛数据分析

2.1 缺失值统计

分析 1.3 数据集基本信息和下面的统计，发现训练集一共有 5070 条数据，但舒张压字段却只有 4823 个非空数据，其他字段都有 5070 个非空数据；测试集一共有 1000 条数据，舒张压字段只有 951 个非空数据。因此，可以发现无论是训练集还是测试集，只有舒张压字段存在缺失值，其中训练集存在 247 条带缺失值的数据，测试集 存在 49 条带缺失值的数据。

print('训练集每一列缺失值统计个数：')
df_train.isnull().sum()

训练集每一列缺失值统计个数：

性别            0
出生年份          0
体重指数          0
糖尿病家族史        0
舒张压         247
口服耐糖量测试       0
胰岛素释放实验       0
肱三头肌皮褶厚度      0
患有糖尿病标识       0
dtype: int64

print('测试集每一列缺失值统计个数：')
df_test.isnull().sum()

测试集每一列缺失值统计个数：

性别           0
出生年份         0
体重指数         0
糖尿病家族史       0
舒张压         49
口服耐糖量测试      0
胰岛素释放实验      0
肱三头肌皮褶厚度     0
dtype: int64

训练集和测试集各列缺失比例计算：

df_train.isnull().mean(0)

性别          0.000000
出生年份        0.000000
体重指数        0.000000
糖尿病家族史      0.000000
舒张压         0.048718
口服耐糖量测试     0.000000
胰岛素释放实验     0.000000
肱三头肌皮褶厚度    0.000000
患有糖尿病标识     0.000000
dtype: float64

df_test.isnull().mean(0)

性别          0.000
出生年份        0.000
体重指数        0.000
糖尿病家族史      0.000
舒张压         0.049
口服耐糖量测试     0.000
胰岛素释放实验     0.000
肱三头肌皮褶厚度    0.000
dtype: float64

从上面两处结果可以看出训练集和测试集的缺失值分布差异不大，唯一包含缺失值的是舒张压这一列，且缺失值占比不大。

2.2 分析字段类型

每一列数据的类型

训练集数据类型

df_train.dtypes

性别            int64
出生年份          int64
体重指数        float64
糖尿病家族史       object
舒张压         float64
口服耐糖量测试     float64
胰岛素释放实验     float64
肱三头肌皮褶厚度    float64
患有糖尿病标识       int64
dtype: object

测试集数据类型

df_test.dtypes

性别            int64
出生年份          int64
体重指数        float64
糖尿病家族史       object
舒张压         float64
口服耐糖量测试     float64
胰岛素释放实验     float64
肱三头肌皮褶厚度    float64
dtype: object

int 和 float 类型数据的描述性统计

训练集描述性统计

df_train[['性别', '出生年份', '体重指数', '舒张压', '口服耐糖量测试', '胰岛素释放实验', '肱三头肌皮褶厚度']].describe()

	性别	出生年份	体重指数	舒张压	口服耐糖量测试	胰岛素释放实验	肱三头肌皮褶厚度
count	5070.000000	5070.000000	5070.000000	4823.000000	5070.000000	5070.000000	5070.000000
mean	0.456805	1986.869231	37.986785	89.423595	5.612839	4.114321	6.994371
std	0.498180	8.919737	11.447095	9.266992	2.257649	8.726001	13.651442
min	0.000000	1943.000000	0.000000	30.000000	-1.000000	0.000000	0.000000
25%	0.000000	1980.000000	28.400000	85.000000	4.314000	0.000000	0.000000
50%	0.000000	1987.000000	36.550000	89.000000	5.760000	0.000000	0.000000
75%	1.000000	1995.000000	47.600000	96.000000	7.193000	7.100000	4.120000
max	1.000000	2009.000000	65.900000	126.000000	10.839000	108.960000	45.000000

测试集描述性统计

df_test[['性别', '出生年份', '体重指数', '舒张压', '口服耐糖量测试', '胰岛素释放实验', '肱三头肌皮褶厚度']].describe()

	性别	出生年份	体重指数	舒张压	口服耐糖量测试	胰岛素释放实验	肱三头肌皮褶厚度
count	1000.000000	1000.000000	1000.000000	951.000000	1000.000000	1000.000000	1000.000000
mean	0.481000	1986.386000	39.439000	89.638275	5.872314	4.102700	7.064240
std	0.499889	8.816163	11.284861	9.379124	1.930880	8.594005	13.900938
min	0.000000	1958.000000	0.000000	28.000000	-1.000000	0.000000	0.000000
25%	0.000000	1979.000000	29.975000	85.000000	4.516000	0.000000	0.000000
50%	0.000000	1987.000000	38.900000	89.000000	5.851500	0.000000	0.000000
75%	1.000000	1994.000000	48.950000	96.000000	7.465000	7.202500	3.820000
max	1.000000	2003.000000	60.000000	112.000000	10.613000	123.890000	44.900000

对训练集和测试集进行描述性统计，发现两个数据集在平均值、方差、四分位数、中位数等方面差异不大。

2.3 字段相关性

训练集各字段及标签之间的相关性

# 训练集相关性热力图矩阵
plt.subplots(figsize=(10,10))
sns.heatmap(df_train.corr(method='pearson'), annot=True, vmax=1, square=True, cmap='RdBu_r')
plt.savefig('../images/train_pearson.jpg', dpi=800)

​

​

测试集各字段相关性

# 测试集相关性热力图矩阵
plt.subplots(figsize=(10,10))
sns.heatmap(df_test.corr(method='pearson'), annot=True, vmax=1, square=True, cmap='RdBu_r')
plt.savefig('../images/test_pearson.jpg', dpi=800)

​

​

从 2.3 中的两个热力图可以看出，训练集中体重指数和肱三头肌皮褶厚度与标签的相关性相对较高，肱三头肌皮褶厚度与标签的相关性最高。各字段之间的相关性普遍不高。

2.4 小结

通过对训练集和测试集计算缺失值比例、分析字段类型、进行描述性统计、计算字段相关性，可以发现训练集和测试集各项指标间的差异很小，甚至几乎没有，实现控制异常数据对模型的干扰。

三、逻辑回归尝试

3.1 使用名义变量重构糖尿病家族史和性别

dict_糖尿病家族史 = {
    '无记录': 0,
    '叔叔或姑姑有一方患有糖尿病': 1,
    '叔叔或者姑姑有一方患有糖尿病': 1,
    '父母有一方患有糖尿病': 2
}

df_train['糖尿病家族史'] = df_train['糖尿病家族史'].map(dict_糖尿病家族史)
df_train['糖尿病家族史'] = df_train['糖尿病家族史'].astype('category')

df_test['糖尿病家族史'] = df_test['糖尿病家族史'].map(dict_糖尿病家族史)
df_test['糖尿病家族史'] = df_test['糖尿病家族史'].astype('category')

# 查看重构后的结果
print(df_train['糖尿病家族史'].unique())
print(df_test['糖尿病家族史'].unique())

[0, 1, 2]
Categories (3, int64): [0, 1, 2]
[0, 1, 2]
Categories (3, int64): [0, 1, 2]

df_train['性别'] = df_train['性别'].astype('category')
df_test['性别'] = df_test['性别'].astype('category')

print(df_train['性别'].unique())
print(df_test['性别'].unique())

[0, 1]
Categories (2, int64): [0, 1]
[0, 1]
Categories (2, int64): [0, 1]

3.2 处理缺失值

这里要提一下，我是第一次做讯飞的数据挖掘题，所以对比赛数据格式不是很了解，最开始处理缺失值的时候采用的是 dropna 的方法，这样做会将部分编号的数据给删掉，但是这样做会导致评测失败，失败原因：输入格式错误。所以后来换了 fillna 的方法。

# 用前一个非空白值填补
df_train['舒张压'].fillna(method='ffill', inplace=True)
df_test['舒张压'].fillna(method='ffill', inplace=True)

print('训练集每一列缺失值统计个数：')
print(df_train.isnull().sum())
print('\n')
print('测试集每一列缺失值统计个数：')
print(df_test.isnull().sum())

训练集每一列缺失值统计个数：
性别          0
出生年份        0
体重指数        0
糖尿病家族史      0
舒张压         0
口服耐糖量测试     0
胰岛素释放实验     0
肱三头肌皮褶厚度    0
患有糖尿病标识     0
dtype: int64

测试集每一列缺失值统计个数：
性别          0
出生年份        0
体重指数        0
糖尿病家族史      0
舒张压         0
口服耐糖量测试     0
胰岛素释放实验     0
肱三头肌皮褶厚度    0
dtype: int64

df_train.head()

	性别	出生年份	体重指数	糖尿病家族史	舒张压	口服耐糖量测试	胰岛素释放实验	肱三头肌皮褶厚度	患有糖尿病标识
编号
1	0	1996	30.1	0	106.0	3.818	7.89	0.0	0
2	0	1988	27.5	0	84.0	-1.000	0.00	14.7	0
3	1	1988	36.5	0	85.0	7.131	0.00	40.1	1
4	1	1992	29.5	0	91.0	7.041	0.00	0.0	0
5	0	1998	42.0	1	91.0	7.134	0.00	0.0	1

df_test.head()

	性别	出生年份	体重指数	糖尿病家族史	舒张压	口服耐糖量测试	胰岛素释放实验	肱三头肌皮褶厚度
编号
1	0	1987	33.1	0	72.0	6.586	24.16	2.94
2	0	1998	20.6	1	68.0	3.861	0.00	0.00
3	1	1979	42.1	0	98.0	5.713	0.00	3.53
4	0	1999	34.6	0	66.0	4.684	0.00	3.14
5	0	1997	27.7	0	89.0	7.948	14.65	2.65

挑选出字段集和标签集

X = df_train.drop(columns='患有糖尿病标识', inplace=False)
y = df_train['患有糖尿病标识']

3.3 网格搜索查找最佳超参数

使用 sklearn 库的 GridSearchCV 实现网格搜索，并在上面训练集 df_train 上划分出的数据集 X_train 和 y_train 上进行 5 折交叉验证，用 X_test 和 y_test 进行检测，查找最佳超参数。

model = make_pipeline(MinMaxScaler(), LogisticRegression(penalty='l2', multi_class='ovr',max_iter=10000))
params = {
    'logisticregression__solver': ['liblinear', 'sag', 'saga', 'newton-cg', 'lbfgs'],
    'logisticregression__C': np.linspace(0.1, 1, 10)
}

model.get_params().keys()

dict_keys(['memory', 'steps', 'verbose', 'minmaxscaler', 'logisticregression', 'minmaxscaler__clip', 'minmaxscaler__copy', 'minmaxscaler__feature_range', 'logisticregression__C', 'logisticregression__class_weight', 'logisticregression__dual', 'logisticregression__fit_intercept', 'logisticregression__intercept_scaling', 'logisticregression__l1_ratio', 'logisticregression__max_iter', 'logisticregression__multi_class', 'logisticregression__n_jobs', 'logisticregression__penalty', 'logisticregression__random_state', 'logisticregression__solver', 'logisticregression__tol', 'logisticregression__verbose', 'logisticregression__warm_start'])

grid = GridSearchCV(estimator=model, param_grid=params, cv=5, verbose=1)
grid.fit(X=X, y=y)

Fitting 5 folds for each of 50 candidates, totalling 250 fits





GridSearchCV(cv=5,
             estimator=Pipeline(steps=[('minmaxscaler', MinMaxScaler()),
                                       ('logisticregression',
                                        LogisticRegression(max_iter=10000,
                                                           multi_class='ovr'))]),
             param_grid={'logisticregression__C': array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ]),
                         'logisticregression__solver': ['liblinear', 'sag',
                                                        'saga', 'newton-cg',
                                                        'lbfgs']},
             verbose=1)

df_test['label'] = grid.predict(df_test)
df_test.head()

	性别	出生年份	体重指数	糖尿病家族史	舒张压	口服耐糖量测试	胰岛素释放实验	肱三头肌皮褶厚度	label
编号
1	0	1987	33.1	0	72.0	6.586	24.16	2.94	0
2	0	1998	20.6	1	68.0	3.861	0.00	0.00	0
3	1	1979	42.1	0	98.0	5.713	0.00	3.53	0
4	0	1999	34.6	0	66.0	4.684	0.00	3.14	0
5	0	1997	27.7	0	89.0	7.948	14.65	2.65	0

df_test.index.name = 'uuid'
df_test['label'].to_csv(path_or_buf='../data/submit.csv', index='uuid')

3.4 初步评分

这里的分数只有 0.7，可能是因为训练模型过拟合，也可能是模型原因，后续再加以改进

---

四、特征工程

4.1 增加年龄特征

df_train['年龄'] = 2022 - df_train['年龄']
df_test['年龄'] = 2022 - df_test['年龄']

4.2 增加个体与性别平均值之间的差值字段

先到这，后面再补充