使用Python以UCI心脏病数据集为例，进行数据简单分析
本文章包含以下内容：
以UCI心脏病数据集为例，进行数据简单分析：
- 求心脏病患者年龄的平均值、中位数和众数，从结果里分析年龄与心脏病的关系；
- 胆固醇正常值是0-200mg/dL，区分胆固醇不合格和不合格人员，用百分位数分析年龄和胆固醇的关系（哪个年龄段胆固醇不合格的多，对比两组进行分析）
- 求心脏病患者的胆固醇极差和四分位极差，并分析结果说明的问题
- 分析心脏病患者的胆固醇是否满足正太分布？
- 用相关系数或卡方计算12个属性和得心脏病的相关性，分析哪些因素对确诊心脏病作用大。
数据集：uci心脏病数据集子集
数据子集下载
数据属性说明：
age: 该朋友的年龄
sex: 该朋友的性别 (1 = 男性, 0 = 女性)
cp: 经历过的胸痛类型（值1：典型心绞痛，值2：非典型性心绞痛，值3：非心绞痛，值4：无症状）
trestbps: 该朋友的静息血压（入院时的毫米汞柱）
chol: 该朋友的胆固醇测量值，单位 ：mg/dl
fbs: 人的空腹血糖（> 120 mg/dl，1=真；0=假）
restecg: 静息心电图测量（0=正常，1=患有ST-T波异常，2=根据Estes的标准显示可能或确定的左心室肥大）
thalach: 这朋友达到的最大心率
exang: 运动引起的心绞痛（1=有过；0=没有）
oldpeak: ST抑制，由运动引起的相对于休息引起的（“ ST”与ECG图上的位置有关。）
slope: 最高运动ST段的斜率（值1:上坡，值2:平坦，值3:下坡）
ca: 萤光显色的主要血管数目（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）
target: 心脏病（0=否，1=是）
心脏病数据有一定问题，这里将0看作没有病，其余看作有病。
代码如下：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
data = pd.read_csv("心脏病数据.csv", header=None) # 读取csv文件，并存入data，不带标签
# 修改列标签
name = ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach',
'exang', 'oldpeak', 'slope', 'ca', 'thal', 'target']
data.columns = name
pd.set_option('expand_frame_repr', False) # 打印输出 dataframe 时不隐藏部分列
print(data) # 输出一下看看
xinzang = [] # 储存有心脏病人群
danguchun_Up = [] # 储存胆固醇高人群
danguchun_Down = [] # 储存胆固醇低人群
age = [] # 心脏病患者的年龄
dan = [] # 心脏病患者的胆固醇
c = -1 # 心脏病数组标记
for row in data.itertuples(): # 行遍历 data
if getattr(row, 'target') != 0: # 如果有心脏病
c = c + 1 # 标记 +1
xinzang.append([])
age.append(row[1]) # 单独获得心脏病患者的年龄，方便统计
dan.append(row[5]) # 单独获得心脏病患者的胆固醇，方便统计
for i in row: # 将该行添加进数组 xinzang 中
xinzang[c].append(i)
if getattr(row, 'chol') > 200: # 如果胆固醇高
danguchun_Up.append(row[1]) # 单独获得胆固醇高的年龄，方便统计
else: # 否则，胆固醇合格
danguchun_Down.append(row[1]) # 单独获得心胆固醇合格的年龄，方便统计
# if row[12] == '?' or row[13] == '?': #去掉有缺省数据，便于计算
# data = data.drop(row[0], axis=0)
# print(data) # 输出一下看看
print("统计心脏病患者的年龄，得出：")
print("平均数为:\t", np.mean(age))
print("中位数为:\t", np.median(age))
c = np.bincount(age)
print("众数为:\t\t", np.argmax(c)) # 只适用于非负数集合
print("可得58岁左右是心脏病高发年龄段。")
print("=================================================")
print("统计样本胆固醇状况，得出：")
c = np.percentile(danguchun_Up, 25, interpolation='linear')
d = np.percentile(danguchun_Up, 75, interpolation='linear')
print('胆固醇不合格的人,年龄大多集中在：', c, '~', d, '之间')
c = np.percentile(danguchun_Down, 25, interpolation='linear')
d = np.percentile(danguchun_Down, 75, interpolation='linear')
print('胆固醇合格的人，年龄大多集中在：', c, '~', d, '之间')
print("可得随着年龄的增大，胆固醇不合格的人数也在增加。")
print("=================================================")
print("统计心脏病患者胆固醇状况，得出：")
print("极差为：", max(dan) - min(dan))
c = np.percentile(dan, 25, interpolation='linear')
d = np.percentile(dan, 75, interpolation='linear')
print("四分位极差为：", d - c)
plt.figure(1)
# 绘制箱型图
flierprops = {'marker': 'o', 'markerfacecolor': 'red', 'color': 'black'}
plt.grid(True, linestyle="-.", color="black", linewidth="0.4")
plt.boxplot(dan, notch=False, flierprops=flierprops)
print("可得心脏病患者的胆固醇高低差异较大，但仅仅考虑中间50%的数值，其差异会大大减少。")
plt.figure(2)
# 绘制正态分布曲线
x = np.arange(140, 410, 0.1) # x轴取值范围
c = np.mean(dan) # 平均数
d = np.std(dan) # 标准差
y = np.exp(-((x - c) ** 2) / (2 * d ** 2)) / (d * np.sqrt(2 * np.pi)) # 正态分布曲线
plt.plot(x, y)
# 绘制数据集的正态分布曲线
# 绘制直方图
plt.hist(dan, bins=15, rwidth=0.9, density=True)
print('由图可以看出脏病患者的胆固醇满足正态分布。')
print('任意两个变量之间的相关系数如下：')
print(data.corr())
print('可以看出 oldpeak ，cp ，exang ，slope 对确诊心脏病作用大')
plt.show()结果示例：
age sex cp trestbps chol fbs restecg thalach exang oldpeak slope ca thal target
0 63.0 1.0 1.0 145.0 233.0 1.0 2.0 150.0 0.0 2.3 3.0 0.0 6.0 0
1 67.0 1.0 4.0 160.0 286.0 0.0 2.0 108.0 1.0 1.5 2.0 3.0 3.0 2
2 67.0 1.0 4.0 120.0 229.0 0.0 2.0 129.0 1.0 2.6 2.0 2.0 7.0 1
3 37.0 1.0 3.0 130.0 250.0 0.0 0.0 187.0 0.0 3.5 3.0 0.0 3.0 0
4 41.0 0.0 2.0 130.0 204.0 0.0 2.0 172.0 0.0 1.4 1.0 0.0 3.0 0
.. ... ... ... ... ... ... ... ... ... ... ... ... ... ...
298 45.0 1.0 1.0 110.0 264.0 0.0 0.0 132.0 0.0 1.2 2.0 0.0 7.0 1
299 68.0 1.0 4.0 144.0 193.0 1.0 0.0 141.0 0.0 3.4 2.0 2.0 7.0 2
300 57.0 1.0 4.0 130.0 131.0 0.0 0.0 115.0 1.0 1.2 2.0 1.0 7.0 3
301 57.0 0.0 2.0 130.0 236.0 0.0 2.0 174.0 0.0 0.0 2.0 1.0 3.0 1
302 38.0 1.0 3.0 138.0 175.0 0.0 0.0 173.0 0.0 0.0 1.0 ? 3.0 0
[303 rows x 14 columns]
统计心脏病患者的年龄，得出：
平均数为: 56.62589928057554
中位数为: 58.0
众数为: 58
可得58岁左右是心脏病高发年龄段。
=================================================
统计样本胆固醇状况，得出：
胆固醇不合格的人,年龄大多集中在： 49.0 ~ 61.0 之间
胆固醇合格的人，年龄大多集中在： 43.25 ~ 59.0 之间
可得随着年龄的增大，胆固醇不合格的人数也在增加。
=================================================
统计心脏病患者胆固醇状况，得出：
极差为： 278.0
四分位极差为： 66.0
可得心脏病患者的胆固醇高低差异较大，但仅仅考虑中间50%的数值，其差异会大大减少。
由图可以看出脏病患者的胆固醇满足正态分布。
任意两个变量之间的相关系数如下：
age sex cp trestbps chol fbs restecg thalach exang oldpeak slope target
age 1.000000 -0.097542 0.104139 0.284946 0.208950 0.118530 0.148868 -0.393806 0.091661 0.203805 0.161770 0.222853
sex -0.097542 1.000000 0.010084 -0.064456 -0.199915 0.047862 0.021647 -0.048663 0.146201 0.102173 0.037533 0.224469
cp 0.104139 0.010084 1.000000 -0.036077 0.072319 -0.039975 0.067505 -0.334422 0.384060 0.202277 0.152050 0.407075
trestbps 0.284946 -0.064456 -0.036077 1.000000 0.130120 0.175340 0.146560 -0.045351 0.064762 0.189171 0.117382 0.157754
chol 0.208950 -0.199915 0.072319 0.130120 1.000000 0.009841 0.171043 -0.003432 0.061310 0.046564 -0.004062 0.070909
fbs 0.118530 0.047862 -0.039975 0.175340 0.009841 1.000000 0.069564 -0.007854 0.025665 0.005747 0.059894 0.059186
restecg 0.148868 0.021647 0.067505 0.146560 0.171043 0.069564 1.000000 -0.083389 0.084867 0.114133 0.133946 0.183696
thalach -0.393806 -0.048663 -0.334422 -0.045351 -0.003432 -0.007854 -0.083389 1.000000 -0.378103 -0.343085 -0.385601 -0.415040
exang 0.091661 0.146201 0.384060 0.064762 0.061310 0.025665 0.084867 -0.378103 1.000000 0.288223 0.257748 0.397057
oldpeak 0.203805 0.102173 0.202277 0.189171 0.046564 0.005747 0.114133 -0.343085 0.288223 1.000000 0.577537 0.504092
slope 0.161770 0.037533 0.152050 0.117382 -0.004062 0.059894 0.133946 -0.385601 0.257748 0.577537 1.000000 0.377957
target 0.222853 0.224469 0.407075 0.157754 0.070909 0.059186 0.183696 -0.415040 0.397057 0.504092 0.377957 1.000000
可以看出 oldpeak ，cp ，exang ，slope 对确诊心脏病作用大