數(shù)據(jù)分析實(shí)戰(zhàn)：利用python對(duì)心臟病數(shù)據(jù)集進(jìn)行分析

我們都很害怕生病，但感冒發(fā)燒這種從小到大的疾病我們已經(jīng)麻木了，因?yàn)橐恍瞧谒蜁?huì)好，但是隨著長(zhǎng)大，各種發(fā)炎、三高、心臟病、冠心病響應(yīng)而生。

心臟病作為一種發(fā)作起來(lái)讓人看了就覺得恐怖的疾病，每年不知道奪走多少生命。而那些患病健在的人們也必須在自己后續(xù)的生命里割舍太多東西，以防止心臟病發(fā)作。

沒有得病的時(shí)候，我們永遠(yuǎn)覺得它離自己很遠(yuǎn)。我對(duì)心臟病的認(rèn)知就是這樣，我不知道它患病的原因，也不知哪些原因會(huì)引起心臟病。而患病后如何保持正常生活等等，一概不知。

今天在kaggle上看到一個(gè)心臟病數(shù)據(jù)（數(shù)據(jù)集下載地址和源碼見文末），那么借此深入分析一下。

數(shù)據(jù)集讀取與簡(jiǎn)單描述

首先導(dǎo)入library和設(shè)置好超參數(shù)，方便后續(xù)分析。

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

通過(guò)對(duì)數(shù)據(jù)集讀取和描述可以得到這兩個(gè)表格：

可以看到有303行14列數(shù)據(jù)，每列的標(biāo)題是age、sex、cp、……、target。他們就像每次去醫(yī)院的化驗(yàn)單，非專業(yè)人士很多都不認(rèn)識(shí)。所以利用官方的解釋翻譯后含義如下：

• age: 該朋友的年齡

• sex: 該朋友的性別 (1 = 男性, 0 = 女性)

• cp: 經(jīng)歷過(guò)的胸痛類型（值1：典型心絞痛，值2：非典型性心絞痛，值3：非心絞痛，值4：無(wú)癥狀）

• trestbps: 該朋友的靜息血壓（入院時(shí)的毫米汞柱）

• chol: 該朋友的膽固醇測(cè)量值，單位 ：mg/dl

• fbs: 人的空腹血糖（> 120 mg/dl，1=真；0=假）

• restecg: 靜息心電圖測(cè)量（0=正常，1=患有ST-T波異常，2=根據(jù)Estes的標(biāo)準(zhǔn)顯示可能或確定的左心室肥大）

• thalach: 這朋友達(dá)到的最大心率

• exang: 運(yùn)動(dòng)引起的心絞痛（1=有過(guò)；0=沒有）

• oldpeak: ST抑制，由運(yùn)動(dòng)引起的相對(duì)于休息引起的（“ ST”與ECG圖上的位置有關(guān)。這塊比較專業(yè)，可以點(diǎn)這個(gè)看一個(gè)解讀）

• slope: 最高運(yùn)動(dòng)ST段的斜率（值1:上坡，值2:平坦，值3:下坡）

• ca: 螢光顯色的主要血管數(shù)目（0-4）

• thal: 一種稱為地中海貧血的血液疾?。?=正常；6=固定缺陷；7=可逆缺陷）

• target: 心臟病（0=否，1=是）

所以這些信息里都是患病或者健康者的一些身體指標(biāo)，并沒有和他是否抽煙、是否熬夜、是否遺傳、是否作息規(guī)律那些東西，因此找不到指導(dǎo)現(xiàn)在我們生活的點(diǎn)，比如說(shuō)明要戒煙戒酒那些東西。

順手送上一篇知乎鏈接 此外上邊只是我通過(guò)原版數(shù)據(jù)集給的解讀翻譯的，如有出錯(cuò)誤，歡迎糾正

拿到一套數(shù)據(jù)首先是要看看這個(gè)數(shù)據(jù)大概面貌~

男女比例

先看看患病比率，男女比例這些常規(guī)的

countNoDisease?=?len(data[data.target?==?0])
countHaveDisease?=?len(data[data.target?==?1])
countfemale?=?len(data[data.sex?==?0])
countmale?=?len(data[data.sex?==?1])
print(f'沒患病人數(shù):{countNoDisease?}',end='?,')
print("沒有得心臟病比率:?{:.2f}%".format((countNoDisease?/?(len(data.target))*100)))
print(f'有患病人數(shù):{countHaveDisease?}',end='?,')
print("患有心臟病比率:?{:.2f}%".format((countHaveDisease?/?(len(data.target))*100)))
print(f'女性人數(shù):{countfemale?}',end='?,')
print("女性比例:?{:.2f}%".format((countfemale?/?(len(data.sex))*100)))
print(f'男性人數(shù):{countmale?}',end='?,')
print("男性比例:?{:.2f}%".format((countmale???/?(len(data.sex))*100)))

上邊代碼得到的答案如下，乍看上去男的多于女的，但前提是這個(gè)數(shù)據(jù)只是這個(gè)300人的樣本展示，不代表全人類

沒患病人數(shù):138 ,沒有得心臟病比率: 45.54%
有患病人數(shù):165 ,患有心臟病比率: 54.46%
女性人數(shù):96 ,女性比例: 31.68%
男性人數(shù):207 ,男性比例: 68.32%

除了用餅圖看這個(gè)面貌，還可以同時(shí)看一下

fig,?ax?=plt.subplots(1,3)??#2個(gè)子區(qū)域
fig.set_size_inches(w=15,h=5)???#?設(shè)置畫布大小
sns.countplot(x="sex",?data=data,ax=ax[0])
plt.xlabel("性別?(0?=?female,?1=?male)")
sns.countplot(x="target",?data=data,ax=ax[1])
plt.xlabel("是否患病?(0?=?未患病,?1=?患病)")
sns.swarmplot(x='sex',y='age',hue='target',data=data,ax=ax[2])
plt.xlabel("性別?(0?=?female,?1=?male)")
plt.show()

從這三聯(lián)圖可以看到男性1多余女性0，患病target1多于未患病0，在年齡分布提琴圖里可以看到女性患者比例多于男性患者比例。

其中比列詳細(xì)拆解一下，見下方代碼和圖示：

pd.crosstab(data.sex,data.target).plot(kind="bar",figsize=(15,6),color=['#30A9DE','#EFDC05'?])
plt.title('各性別下患病圖示')
plt.xlabel('性別?(0?=?女性,?1?=?男性)')
plt.xticks(rotation=0)
plt.legend(["未患病",?"患有心臟病"])
plt.ylabel('人數(shù)')
plt.show()

可以看到這個(gè)數(shù)據(jù)集中女性患者數(shù)是健康數(shù)的3倍多。留下一個(gè)疑問，心臟病女性更容易得嘛？百度了一下，發(fā)現(xiàn)這個(gè)問題提問的人不少，但沒有具體很科學(xué)的回答。google也同樣如此?？赡芤业竭@個(gè)答案需要再去找一找文獻(xiàn)，但不是本文目的，因此沒有去尋找這個(gè)真實(shí)比例。

在這個(gè)數(shù)據(jù)集中，男性多于女性一倍，分別207和96人；患病患者稍微多余未患病患者，患病165，138人。因?yàn)槟挲g可能是連續(xù)的，因此在第三幅圖做年齡、性別、患病關(guān)系圖，單從顏色觀察可發(fā)現(xiàn)在這個(gè)數(shù)據(jù)集中，女性患病率大于男性。通過(guò)第四圖和統(tǒng)計(jì)可以計(jì)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這個(gè)數(shù)據(jù)集的。

年齡和患病關(guān)系

通過(guò)以下代碼來(lái)看一看：隨著年齡增長(zhǎng)患病比率有沒有變化

（現(xiàn)在寫這個(gè)文章的時(shí)候我才想到，可能即使有變化也沒有意義，還是樣本有限，如果這個(gè)樣本空間覆蓋再提升1000倍才能說(shuō)明一些問題吧——即年齡和患有心臟病的關(guān)系）

pd.crosstab(data.age,data.target).plot(kind="bar",figsize=(25,8))
plt.title('患病變化隨年齡分布圖')
plt.xlabel('歲數(shù)')
plt.ylabel('比率')
plt.savefig('heartDiseaseAndAges.png')
plt.show()

輸出的圖像如下：就這張圖來(lái)說(shuō)37-54歲患病人數(shù)多于未患病人數(shù)，年齡再繼續(xù)升高后有沒有這個(gè)規(guī)律了，在70+歲后患病人數(shù)又增加，這條僅能作為數(shù)據(jù)展示，不能作為結(jié)論。

數(shù)據(jù)集中還有很多維度可以組合分析，下邊開始進(jìn)行組合式探索分析

年齡-心率-患病三者關(guān)系

在這個(gè)數(shù)據(jù)集中，心率的詞是‘thalach’，所以看年齡、心率、是否患病的關(guān)系。

#?散點(diǎn)圖
plt.scatter(x=data.age[data.target==1],?y=data.thalach[(data.target==1)],?c="red")
plt.scatter(x=data.age[data.target==0],?y=data.thalach[(data.target==0)],?c='#41D3BD')
plt.legend(["患病",?"未患病"])
plt.xlabel("年齡")
plt.ylabel("最大心率")
plt.show()
#?再畫個(gè)提琴圖
sns.violinplot(x=data.target,y=data.trestbps,data=data)
plt.show()

看到30歲心跳200那個(gè)點(diǎn)，嚇我一跳，如果心臟病不是病，那200這個(gè)速度太讓人膜拜了。

可以看到的是心跳速度患病的大概集中在140-200bpm之間。這個(gè)數(shù)據(jù)比未患病的人普遍高一些，從提琴圖上也可以看到這個(gè)值分布比健康人高一些且更集中。

年齡和血壓（trestbps）分布關(guān)系

大家都知道體檢的時(shí)候血壓是常規(guī)測(cè)試項(xiàng)目，那么我想血壓和年齡有什么關(guān)系嗎？有沒有心臟病和年齡有關(guān)系嗎？

來(lái)做個(gè)圖看一下。并嘗試用不同的顏色區(qū)分。

plt.scatter(x=data.age[data.target==1],?y=data.trestbps[data.target==1],?c="#FFA773")
plt.scatter(x=data.age[data.target==0],?y=data.trestbps[data.target==0],?c="#8DE0FF")
plt.legend(["患病",'未患病'])
plt.xlabel("年齡")
plt.ylabel("血壓")
plt.show()

看上去隨著年齡增長(zhǎng)，血壓更飄了？從這個(gè)結(jié)果可以看到的是，靜息血壓患病人和未患病的人在血壓方面都是均勻分布的，隨著年齡增長(zhǎng)也沒有明顯的分層變化。所以并不能直接從靜息血壓很好的判斷出是否患心臟病。

那么血壓與其他什么有關(guān)呢？

比如心率？好，來(lái)看看。

血壓（trestbps）和心率（thalach）關(guān)系

血壓、心率這兩個(gè)都來(lái)自于心臟的動(dòng)能，相當(dāng)于發(fā)動(dòng)機(jī)力量和發(fā)動(dòng)機(jī)轉(zhuǎn)速。我猜這倆有點(diǎn)關(guān)系，一起看看

plt.scatter(x=data.thalach[data.target==1],?y=data.trestbps[data.target==1],?c="#FFA773")
plt.scatter(x=data.thalach[data.target==0],?y=data.trestbps[data.target==0],?c="#8DE0FF")
plt.legend(["患病",'未患病'])
plt.xlabel("心率")
plt.ylabel("血壓")
plt.show()

現(xiàn)實(shí)情況是，這個(gè)樣本集中，除了能顯示出患病新率高這個(gè)已有結(jié)果外，血壓和心率沒有相關(guān)性。

胸痛類型和心臟病、血壓三者關(guān)系

表中有個(gè)數(shù)據(jù)是胸痛類型四個(gè)，分別是0123，他們和心臟病有關(guān)系嗎，作圖看看。

此外這塊我要說(shuō)的是，我上邊的翻譯是1 典型、2非典型、3非心絞痛、4無(wú)癥狀。

但是數(shù)據(jù)集中是0123 ，我再kaggle里看了很多人的作品，沒有合理解釋這個(gè)的，所以這個(gè)數(shù)據(jù)我只可視化展示，不分析。

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

fig,ax=plt.subplots(1,2,figsize=(14,5))
sns.countplot(x='cp',data=data,hue='target',palette='Set3',ax=ax[0])
ax[0].set_xlabel("胸痛類型")
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')
ax[1].set_title("胸痛類型")

結(jié)論是：從上圖可以看到的是0類疼痛的人在非患病群體中占大多數(shù)，而在患病群體中，123三種胸痛的人占了大部分。

運(yùn)動(dòng)引起的心絞痛與患病、心率關(guān)系

承接胸痛類型，運(yùn)動(dòng)引起心絞痛與是否患病有沒有關(guān)系呢？與心率有沒有關(guān)系呢？作圖看一下

PS:運(yùn)動(dòng)引起心絞痛（exang: 1=有過(guò)；0=沒有）

sns.swarmplot(x='exang',y='thalach',hue='target',data=data,?size=6)
plt.xlabel('有沒有過(guò)運(yùn)動(dòng)引起心絞痛')
plt.ylabel('最大心率')
plt.show()

得到的這個(gè)圖像很有意思！

雖然最大心率是入院時(shí)候測(cè)的，但是在沒有運(yùn)動(dòng)引起心絞痛的人中，最大心率集中度比較高，在160-180之間，而他們都患有心臟病。

我推測(cè)是：他們有心臟病，運(yùn)動(dòng)就難受，所以就不運(yùn)動(dòng)，所以根本不會(huì)有“運(yùn)動(dòng)時(shí)產(chǎn)生胸痛”這種問題。

而在運(yùn)動(dòng)中產(chǎn)生胸痛的人中（右邊為1的）他們有很多產(chǎn)生過(guò)胸痛，這種人心率比較高，在120-150之間集中著，而其中很多人并沒有心臟病，只是心率比較高。

大血管數(shù)量（ca）和血壓（trestbps）、患病關(guān)系

plt.figure(figsize=(15,5))
sns.swarmplot(y='trestbps',data=data,x='ca',hue='target',palette='RdBu_r',size=7)
plt.xlabel('大血管數(shù)量')
plt.ylabel('靜息血壓')
plt.show()

plt.figure(figsize=(15,5))
sns.catplot(x="ca",?y="age",?hue="target",?kind="swarm",?data=data,?palette='RdBu_r')
plt.xlabel('大血管顯色數(shù)量')
plt.ylabel('年齡'

這個(gè)血管數(shù)量指銀光顯色。具體醫(yī)學(xué)含義沒搜到，所以不分析。只是為0的和患病有很大的相關(guān)性

年齡（age）和膽固醇（chol）關(guān)系

在我初高中的時(shí)候，我媽媽告訴我說(shuō)，每天雞蛋黃不要超過(guò)兩個(gè)，不然會(huì)引起膽固醇高，那時(shí)候身體健康，從來(lái)不信這些話。我后來(lái)上大學(xué)了連每天一個(gè)都沒保證住，但我記住了這句話，所以看到膽固醇三個(gè)字會(huì)想起這個(gè)家庭教育哈哈。

膽固醇側(cè)面反映了血脂，那么下邊生成一下膽固醇、年齡、患病三者關(guān)系散點(diǎn)圖。為了區(qū)分，這次我又換了個(gè)顏色。

plt.scatter(x=data.age[data.target==1],?y=data.chol[data.target==1],?c="orange")
plt.scatter(x=data.age[data.target==0],?y=data.chol[data.target==0],?c="green")
plt.legend(["患病",'未患病'])
plt.xlabel("年齡")
plt.ylabel("膽固醇")
plt.show()
#?箱型圖
sns.boxplot(x=data.target,y=data.chol,data=data)

在這個(gè)樣本集中，患病者和非患病者膽固醇含量分布沒有明顯的分層現(xiàn)象，箱型圖顯示結(jié)果是合理上下限是一樣的，只是25%、50%、75%三條線患病的人稍微稍微低一些。

結(jié)論就是膽固醇并不能直接反映有沒有心臟病這件事。

相關(guān)性分析

分析了很多，那么哪些和患病相關(guān)的，而數(shù)據(jù)間又有啥關(guān)系呢？做個(gè)圖看看,顏色越綠越相關(guān)，越紅越負(fù)相關(guān)

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

圖像很好看對(duì)不對(duì)，只看最后一行，是否患病和cp、thalach、slope正相關(guān)，和exang、oldpeak、ca、thal等負(fù)相關(guān)。

本篇分析了心臟病數(shù)據(jù)集中的部分內(nèi)容，14列其實(shí)有非常多的組合方式去分析。此外本文沒有用到模型，只是數(shù)據(jù)可視化的方式進(jìn)行簡(jiǎn)要分析。

本文中由于圖片過(guò)大，在手機(jī)瀏覽可能看不清楚，故開源了代碼，歡迎大家自己動(dòng)手可視化試試。

如果有什么建議意見，歡迎留言。