心脏病数据集（入门级）

一、数据准备

首先导入需要的库：

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

然后导入数据集，我用的是非常典型的一个心脏病数据集（数据来自Kaggle），如下图：为了解更多数据集的数据类型，最值等特征：

df.info()

df.describe()

输出如下：

二、数据清洗

判断是否有重复值、缺失值、异常值

（一）重复值

#重复值判断
df.duplicated()

 我们得到的是布尔值（每行一个）中间一般不会展示完，所以要确定是否有行重复，或者要得到重复值的行数，需要用value.counts( ):

df.duplicated().value_counts()

 输出如下，可以看到没有行重复：

（二）缺失值

#缺失值判断
df.isnull()

同样输出有省略的布尔值，为全面看到每列是否存在缺失和缺失个数，调用函数：

df.isnull().any()
df.isnull().sum()

输出如下，可以看到没有缺失值：

为了处理缺失值，我构造了新的一列全是空值，然后对第一个进行赋值，得到的新的数据集打印如下：

 这个时候，我们已经发现new列99%都是空值，就可以直接删除，这里how='any'指的是只要出现一个缺失值就删除，axis=1指的是按照列的顺序，inplace=True是指在原数据上直接修改并保存：

#.dropna()删除
df.dropna(how='any', axis=1, inplace=True)

上一步也可以在缺失值处用均值，中位数，指定数据等进行填充：

#df1 = df.fillna(df.mean()) 
#df1 = df.fillna(1)

（三）异常值

我先用了箱线图法，后面发现有部分异常点我无法判断是心脏病患者的特诊，还是不符合常识的异常情况，所以我选择直接观察（在没有掌握另外几种异常值检测方法的情况下），顾名思义，直接观察数据集的特征，这里就不赘述了。

三、数据可视化处理

（一）探索变量之间的相关性

#heatmap
plt.figure(figsize=(12,10))
#单色系/冷暖色
#corr()
sns.heatmap(df.corr(),annot=True, square=True,fmt='.2f',cmap='coolwarm')
plt.show()

（二）探索患病情况和患病比例 

#显示字体
plt.rcParams['font.sans-serif']=['SimHei']
fig = plt.figure(figsize=(10, 4))

ax1 = fig.add_subplot(1, 2, 1)
#bar chart
#value.counts()
ax1 = sns.barplot(x=df['heart disease'], y=df['heart disease'].value_counts())
plt.title('Disease Rate', fontsize=14)
plt.xlabel('type\n (1=Disease-free, 2=Diseased)')
plt.ylabel('number')

#pie chart
ax2 = fig.add_subplot(1, 2, 2)
ax2.pie(df['heart disease'].value_counts(), labels=df['heart disease'].value_counts().index, autopct='%1.1f%%',
        shadow=True, startangle=90)
plt.title('Pie Chart Of Disease Rate')

plt.show()

（三）查看样本的年龄分布

#barchart
df['age'].value_counts()
sns.barplot(x=df['age'].value_counts().index,y=df['age'].value_counts().values)
plt.xlabel('Age')
plt.ylabel('Number')
plt.title('Age Distribution')

#调整x轴上的标签距离
plt.xticks(rotation=45, ha='right')
plt.show()

（四）探索max heart rate（达到的最大心率），年龄和是否患病三者之间的关系

sns.scatterplot(x=df.age[df['heart disease']==1], y=df['max heart rate'][df['heart disease'] == 1], color="red")
sns.scatterplot(x=df.age[df['heart disease']==2], y=df['max heart rate'][df['heart disease'] == 2], color="green")
plt.legend(["Diseased", "Disease-free"])

plt.title('the change of max heart rate with difference of age and deisease')
plt.xlabel('Age')
plt.ylabel('max heart rate')
plt.show()

（五）四种疼痛类型的占比

fig, ax = plt.subplots(figsize=(10, 4))
#pie chart
ax.pie(df['chest pain type'].value_counts(), labels=df['chest pain type'].value_counts().index, autopct='%1.1f%%',
        shadow=True, startangle=90)
plt.title('Pie Chart')
plt.show()

四、一些自问自答

Q1: 中年心脏病人哪种胸痛类型更多?

#创建空new_disDf
new_distDf = pd.DataFrame()
#转换数据类型
df['age'] = df['age'].astype(int)
# 用pd.cut() 将年龄进行分割
new_distDf['age_range']  = pd.cut(x = df['age'],
                          bins = [0,16,30,60,100],
                          include_lowest = True, right=False,
                          labels = ['Children','Youth','Middle-aged','Elderly'])

# 将原数据集的age合并到age_distDf中
new_distDf = pd.concat([new_distDf['age_range'], df['heart disease'], df['chest pain type']], axis=1)
new_distDf

#选取middle-aged
new_distDf[new_distDf['age_range']=='Middle-aged']

sns.countplot(data=new_distDf,x='chest pain type',hue='heart disease',palette='Set2')
plt.xlabel('胸痛类型\n（1.0=没有症状, 2.0=非典型心绞痛；3.0=非心绞痛,4.0=典型心绞痛')
plt.show()

Q2: 心脏病对荧光染色的主要血管数有什么影响?

sns.countplot(data=df, x='major vessels', hue='heart disease')
plt.xlabel('major vessels\n荧光染色的主要血管数（0~3）')
plt.ylabel('Count')
plt.show()

Q3: 病人和普通人的静息血压最值，中位值的区别？ 

df['heart disease'].replace({1: 'disease-free', 2: 'diseased'}, inplace=True)
sns.boxplot(x=df['heart disease'], y=df['resting blood pressure'])
plt.title("静息血压")
plt.ylabel("数值")
plt.show()

Q4: 达到最大心率，运动峰值ST段的斜率和是否患病三者之间的关系? 

plt.figure(figsize=(15,5))
#散点图
sns.swarmplot(x=df['ST segment'], y=df['max heart rate'], hue=df['heart disease'], palette='viridis')
plt.xlabel('运动峰值ST段的斜率')
plt.ylabel('达到最大心率')
plt.show()

Q5: 不同性别的患者比例？ 

fig, ax = plt.subplots(figsize=(10, 4))
ax.pie(df['sex'].value_counts(), labels=df['sex'].value_counts().index, autopct='%1.1f%%',
       shadow=True, startangle=90)
plt.title('Pie Chart Of Sex Rate\n (0：女性，1：男性)')
plt.show()

五、模型预测（新手版）

先导入构造随机森林进行数据预测需要的库：

from sklearn.ensemble import RandomForestClassifier  # bagging的随机森林
from sklearn.tree import DecisionTreeClassifier   # 决策树模型
from sklearn.model_selection import train_test_split  # 训练集划分
from sklearn import tree
from sklearn.metrics import accuracy_score

#切分训练集和测试集
#random_state：确保每次运行时算法基于相同的随机数种子生成结果
x_train, x_test, y_train, y_test = train_test_split(df.drop(labels='heart disease', axis=1), df['heart disease'], test_size=0.2, random_state=10)

#建立模型
model = RandomForestClassifier(max_depth= 5)

#用训练数据训练模型
#fit()
model = model.fit(x_train,y_train)

feature_names = [i for i in x_train.columns]
feature_names

#转换数据类型为string
y_train_str = y_train.astype('str')
y_train_str[y_train_str == '1'] = 'no disease'
y_train_str[y_train_str == '2'] = 'disease'
#将series转化为nump数组
y_train_str = y_train_str.values
y_train_str[:5]

arr=df.values.astype(np.float32)
arr
score = model.score(x_test,y_test)
score

到这里就已经初步建立好模型，进行了训练集训练， 接下来对测试集进行模拟：

#使用训练好的模型进行预测
predictions = model.predict(x_test)
predictions

 这里尤其注意最后进行accuracy准确度测试的时候要求两者形式一样，需要调整统一形式：

#调整predictions 和 y_test 的格式问题
str_predictions = np.where(predictions == 1, 'no disease', 'disease')
str_predictions[str_predictions == 1] = 'no disease'
str_predictions[str_predictions == 2] = 'disease'
str_predictions

y_test
y_test.to_numpy()

准确率是评估模型性能的重要指标之一，但仅凭准确率不能完整地判断模型的吻合程度。通过综合考虑准确率、精确率、召回率、F1 分数等评估指标，可以更全面地评估模型的性能和泛化能力。

六、参考资料

机器学习：心脏病分类预测（基于python） - 知乎 (zhihu.com)
基于Kaggle心脏病数据集的数据分析和分类预测-StatisticalLearning统计学习实验报告_中科豆的博客-CSDN博客

数据分析实战：利用python对心脏病数据集进行分析 - 知乎 (zhihu.com)

(35条消息) 机器学习项目实战：基于随机森林进行心脏病分类（含多种模型解释方法）_Weiyaner的博客-CSDN博客

五分钟速通随机森林（附实战案例与数据集） - 知乎 (zhihu.com)

感谢！