我们都怕生病，但是从小对感冒发烧这种病已经麻木了，因为他一个星期就会痊愈，但是作为我们长大了，各种炎症、三高、心脏病、冠心病都是应运而生的。心脏病，作为一种一发生就让人觉得可怕的疾病，每年夺去的生命数量不详。而那些从疾病中幸存下来的人也不得不在余生中放弃太多，以防止心脏病发作。当我们没有生病的时候，我们总觉得它离我们很远。这就是我对心脏病的了解，我不知道是什么原因引起的，我也不知道是什么原因引起的。至于病后如何维持正常的生活等等，我一概不知。今天在kaggle上看到一个心脏病数据（数据集的下载地址和源码见文末），就以此为基础深入分析一下。数据集读取和简单描述首先导入库并设置超参数，方便后续分析。importnumpyasnpimportpandasapdimportmatplotlib.pyplotaspltimportseabornassns通过读取和描述数据集可以得到这两个表：可以看到有303行14列数据，每列的标题分别是age,sex,cp,...,target。就像每次去医院的化验单一样，很多非专业人士不知道。所以使用官方的解释，翻译过来的意思是：age：朋友的年龄sex：朋友的性别（1=男，0=女）cp：经历过的胸痛类型（值1：典型心绞痛，值2：非典型心绞痛，值3：非心绞痛，值4：无症状）trestbps：朋友的静息血压（入院时的毫米汞柱）chol：朋友的胆固醇测量值，单位：mg/dlfbs：人的空腹血糖（>120mg/dl，1=真；0=假）restecg：静息心电图测量（0=正常，1=ST-T波异常，2=根据Estes'显示可能或确定的左心室肥大标准）thalach：这个朋友达到的最大心率exang：运动诱发的心绞痛（1=曾经；0=无）.这块比较专业，可以点这里看解读）slope：最高运动ST段的斜率（值1：上坡，值2：平坦，值3：下坡）ca：主血数荧光显示的血管(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）目标：心脏病（0=否，1=是）所以所有这些消息都是疾病或者健康人的一些身体指标，跟他有没有抽烟，有没有熬夜，有没有遗传，作息有没有规律，这些都没有关系，所以没有意义去指导我们现在的生活，比如解释需要戒烟戒酒。发个知乎链接。另外，以上只是我通过原始数据集的解读和翻译。如有错误，请指正。拿到一组数据首先要看这个数据的大概样子~先看男女患者比例疾病率，男女比例，这些套路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'无病人数：{countNoDisease}',end=',')print("无心脏病率：{:.2f}%".format((countNoDisease/(len(data.target))*100)))print(f'患病人数：{countHaveDisease}',end=',')print("心脏病发病率：{:.2f}%".format((countHaveDisease/(len(data.target))*100)))print(f'女性人数：{countfemale}',end=',')print("女性比例：{:.2f}%".format((countfemale/(len(data.sex))*100)))print(f'男性人数:{countmale}',end=',')print("男性比例:{:.2f}%".format((countmale/(len(data.sex))*100)))上面代码得到的答案如下。乍一看好像是男性多于女性，但前提是数据只是这300人的样本，说明不能代表全人类。无病人数：138人，无心脏病率：45.54%，有病人数：165人，有心脏病率：54.46%，女性人数：96人，所占比例女性：31.68%男性人数：207男性比例：68.32%除了用饼图看这个样子，还可以看fig,ax=plt.subplots(1,3)#2subplotsfig.set_size_inches(w=15,h=5)#设置画布大小sns.countplot(x="sex",data=data,ax=ax[0])plt.xlabel("性别(0=女,1=男)")sns.countplot(x="target",data=data,ax=ax[1])plt.xlabel("生病与否(0=notsick,1=sick)")sns.swarmplot(x='sex',y='age',hue='target',data=data,ax=ax[2])plt.xlabel("gender(0=female,1=male)")plt.show()从这张tripletmap可以看出男1多于女0，患病target1多于未患病target10.在年龄分布小提琴图中，可以看到女性患者的比例多于男性患者。下面我们详细分解一下比例，看下面的代码和图表：pd.crosstab(data.sex,data.target).plot(kind="bar",figsize=(15,6),color=['#30A9DE','#EFDC05'])plt.title('每种性别下的疾病说明')plt.xlabel('性别(0=女,1=男)')plt.xticks(rotation=0)plt.legend(["Notsick","withheartdisease"])plt.ylabel('Numberofpeople')plt.show()可以看到这个数据集中的女性患者数量是健康患者数量的三倍多。我留了一个问题，女性是不是更容易得心脏病？百度了一下，发现问这个问题的人很多，但是没有一个具体的、科学的答案。谷歌也是如此。可能需要搜索文献才能找到这个答案，但这不是本文的目的，所以我没有搜索这个真实的比例。在这个数据集中，男性是女性的两倍，分别为207人和96人；受影响的患者人数略多于未受影响的患者，分别为165和138名受影响的患者。因为年龄可能是连续的，所以在第三张图中做了年龄、性别、疾病的关系。单从颜色的观察可以发现，在这个数据集中，女性的患病率要大于男性。通过第四张图统计，可以计算出男性患病率为44.9%，女性患病率为75%。需要注意的是，本文得到的流行率仅针对该数据集。我们通过下面的代码来看一下年龄和疾病的关系：患病率是否随年龄变化？覆盖率应该增加1000倍才能解释一些问题——也就是年龄和心脏病的关系）pd.crosstab(data.age,data.target).plot(kind="bar",figsize=(25,8))plt.title('疾病分布随年龄变化')plt.xlabel('age')plt.ylabel('ratio')plt.savefig('heartDiseaseAndAges.png')plt.show()如下：就这张图而言，37-54岁患病人数比未患病人数多。年龄继续上升之后有这样的规律吗？70+岁以后，患病人数再次增加。这只能作为数据展示，不能作为结论。数据集中还有很多维度可以组合分析。让我们开始对年龄-心率-疾病之间的关系进行联合探索和分析。在这个数据集中，表示心率的词是“thalach”，所以看看年龄、心率和疾病之间的关系。#散点图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(["disease","notsick"])plt.xlabel("age")plt.ylabel("maximumheartrate")plt.show()#再画一个小提琴图sns.violinplot(x=data.target,y=data.trestbps,data=data)plt.show()30岁看到200的心率，惊呆了。如果心脏病不是病，那200的速度也太让人佩服了。可见，患病心率大概集中在140-200bpm之间。这个数据普遍高于没有患病的人，从小提琴图中也可以看出，这个值的分布比健康人更高更集中。年龄与血压的分布关系（trestbps）大家都知道血压是体检时的常规检查项目，那么请问血压与年龄有关系吗？心脏病和年龄有关系吗？放个图看看吧。并尝试用不同的颜色来区分。plt.scatter(x=data.age[data.target==1],y=data.trestbps[data.target==1],c="#FFA773")plt.scatter(x=data.age[数据.target==0],y=data.trestbps[data.target==0],c="#8DE0FF")plt.legend(["疾病",'没生病'])plt.xlabel("年龄")plt.ylabel("bloodpressure")plt.show()血压好像随着年龄的增长比较浮动？从这个结果可以看出，有静息血压的人和没有患病的人的血压分布是均匀的，没有随着年龄的增长而出现明显的分层变化。因此，不能直接从静息血压来判断是否有心脏病。那么血压与它还有什么关系呢？比如心率？好吧，走着瞧。血压（trestbps）和心率（thalach）的关系血压和心率都来自于心脏的动能，相当于发动机功率和发动机转速。我猜这两个是相关的，让我们看看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(["疾病",'notIllness'])plt.xlabel("heartrate")plt.ylabel("bloodpressure")plt.show()实际情况是，在这个样本集中，除了显示现有的高新率的结果生病、血压与心率没有相关性。在胸痛类型与心脏病、血压的关系表中，有四种胸痛的数据，分别为0123。它们与心脏病有关吗？我们画个图看看。另外，这块我想说的是，我上面的翻译是1典型，2非典型，3非心绞痛，4无症状。但是这个数据集是0123，看了很多人kaggle的作品，但是都没有一个合理的解释，所以我只把这个数据可视化，不做分析。sns.swarmplot(x='target',y='trestbps',hue='cp',data=data,size=6)plt.xlabel('生病没生病')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("胸痛类型")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("胸痛型")结论是：从上图可以看出0型疼痛的人占大多数非患病人群，而在受影响人群中，123人患有三种胸痛占大多数。运动引起的心绞痛与疾病和心率的关系遗传胸痛的类型，运动引起的心绞痛和有没有病有关系吗？跟心率有关系吗？看看PS：运动引起的心绞痛(exang:1=ever;0=no)sns.swarmplot(x='exang',y='thalach',hue='target',data=data,size=6)plt.xlabel('你有没有运动过导致心绞痛')plt.ylabel('最大心率')plt.show()得到的图像很有意思！虽然入院时测的是最大心率，但在没有运动性心绞痛的人群中，最大心率的浓度比较高，在160-180之间，都是有心脏病的。我的猜测是：他们有心脏病，运动不舒服，所以不运动，所以不存在“运动时胸痛”这样的问题。在运动时出现胸痛的人群中（右边1人），有不少人出现了胸痛。这类人的心率比较高，集中在120-150之间，很多人没有心脏病，但是心率比较高。高的。大血管数（ca）与血压（trestbps）、疾病关系plt.figure(figsize=(15,5))sns.swarmplot(y='trestbps',data=data,x='ca',hue='target',palette='RdBu_r',size=7)plt.xlabel('大血管数')plt.ylabel('静息血压')plt.show()plt.figure(figsize=(15,5))sns.catplot(x="ca",y="age",hue="target",kind="swarm",data=data,palette='RdBu_r')plt.xlabel('数字colored')plt.ylabel('age'指的是银光显示的血管数量，具体的医学意义没找到，所以不分析，只有0，疾病影响很大年龄（age）与胆固醇（chol）的相关性上初中的时候，妈妈告诉我蛋黄一天不能超过两个，不然会导致胆固醇高。那时候我身体还好也从来不相信这些话。后来上了大学，连一天一个都不敢保证。但是我想起了这个所以当我看到胆固醇这个词的时候，我会想到这个家庭教育哈哈。胆固醇从侧面反映血脂，所以我们来生成一张胆固醇、年龄和疾病关系的散点图。为了区分，这次又换了颜色。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(["disease",'notsick'])plt.xlabel("age")plt.ylabel("cholesterol")plt.show()#boxplotsns.boxplot(x=data.target,y=data.chol,data=data)在这个样本集中，患病和未患病的没有明显的患者胆固醇含量分布存在分层现象。箱线图显示合理上下限相同，但25%、50%、75%这三条线略低。结论是胆固醇并不能直接反映有无心脏病。相关性分析分析了很多，那么哪些是和疾病相关的，数据之间有什么关系呢？做个图看看，颜色越绿越相关，越红越负相关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)图片看起来不错吧？只看最后一行。是否生病与cp、thalach、slope呈正相关，与exang、oldpeak、ca、thal等呈负相关。本文分析了心脏病数据集的部分内容。14列其实有很多组合可以分析。另外，本文不使用模型，而是以数据可视化的形式进行简要分析。本文由于图片较大，手机端浏览可能看不清楚，故代码开源，欢迎大家自行可视化尝试。
