心血管疾病数据探索分析

数据集特征表示

Feature	Variable Type	Variable	Value Type
年龄	基础事实	age	int (天)
身高		height	int (厘米)
体重		weight	float (千克)
性别		gender	类别编码
收缩压	体检结果	ap_hi	int（毫米汞柱）
舒张压		ap_lo	int（毫米汞柱）
血胆固醇		cholesterol	1: 正常 2: 过高 3: 严重过高
血葡萄糖		gluc	1: 正常 2: 过高 3: 严重过高
吸烟者	主观反馈	smoke	binary
酗酒		alco
体育运动		active
CVD 风险指数	目标结果	cardio

进一步观察

问题：数据集中有多少男性和女性？由于 gender 特征没有说明男女，你需要通过分析身高计算得出。
通过对各性别标签进行统计，可以排除 C/D ；
```
df['gender'].value_counts()
```
对性别分组后统计各组平均身高，按常规判断 女性比男性更为娇小 ，可以确定答案为 A 。
```
df.groupby('gender')['height'].mean()
```
问题：数据集中男性和女性，哪个群体饮酒的频次更高？
```
df[df['alco'] == 1]['gender'].value_counts()
```
[ B ] 男性 更高，这恒河里～
问题：数据集中男性和女性吸烟者所占百分比的差值是多少？
```
df.groupby('gender')['alco'].mean()
```
先对性别分组，再对吸烟列平均值聚合。由于吸烟列是由 0/1 组成的二值属性，其平均值即为各性别吸烟者比值。
问题：数据集中吸烟者和非吸烟者的年龄中位数之间的差值（以月计）近似是多少？你需要尝试确定出数据集中 age 合理的表示单位。
```
_cache = pd.pivot_table(
data=df, index='smoke', values='age', aggfunc=np.median
).apply(lambda _: _ / 365.25 * 12)
abs(_cache.iloc[0, 0] - _cache.iloc[1, 0])
```
结果接近 20个月 。

风险量表图

问题：计算 $[60, 65)$ 年龄区间下，较健康人群（胆固醇类别 1，收缩压低于 120）与高风险人群（胆固醇类别为 3，收缩压 $[160, 180)$ ）各自心血管病患所占比例。并最终求得二者比例的近似倍数。
后续步骤使用了 age_years 列，而原始给出的 age 列以天为单位。通过 map() 方法和前文提及的 1年=365.25天，计算生成 age_years 列。
```
## 整除配合类型转换获得整数
df['age_years'] = df['age'].map(lambda _: round(_ / 365.25)).astype(int)
```
根据挑战内置的代码片段，我们计算得出的两个比例为 $27.8 %$ 和 $92.9 %$ ，比例约为 3.35 倍。

BMI 指数分析

问题：判断正确的描述。

数据集提供的身高以厘米为单位，需要进行单位转换再计算 BMI 指数。
df['BMI'] = df['weight'] / np.power(df['height'].map(lambda _: _ / 100), 2)
[ A ] 数据集样本中 BMI 中位数在正常范围内。
df['BMI'].median()
计算结果 26.3 左右，然而并没有
[ B ] 女性的平均 BMI 指数高于男性。
print('女性平均BMI：', df[df['gender'] == 1]['BMI'].mean())
print('男性平均BMI：', df[df['gender'] == 2]['BMI'].mean())
女性接近 30 ，男性接近 27 。
[ C ] 健康人群的 BMI 平均高于患病人群。
print('健康人群：', df[df['cardio'] == 0]['BMI'].mean())
print('患病人群：', df[df['cardio'] == 1]['BMI'].mean())
健康约 26.55 ，患病约 28.566 。
[ D ] 健康和不饮酒男性中，BMI 比健康不饮酒女性更接近正常值。
## 健康不饮酒人群
health_noalco = df[(df['cardio'] == 0) & (df['alco'] == 0)]
## 获取不同性别的平均 BMI
health_noalco.groupby(by='gender')['BMI'].mean().rename(index={1: 'Female', 2: 'Male'})
男性约 25.87 ，女性约 26.845 。

数据清洗

问题：请按照以下列举的项目，过滤掉数据中统计有误的部分：

## 后续进行原地操作
df = df[
     ## 血压特征中，舒张压高于收缩压的样本
     (df['ap_lo'] <= df['ap_hi']) &
     ## 身高特征中，低于 2.5％ 分位数的样本
     (df['height'].quantile(0.025) <= df['height']) &
     ## 身高特征中，高于 97.5％ 分位数的样本
     (df['height'] <= df['height'].quantile(0.975)) &
     ## 体重特征中，低于 2.5％ 分位数的样本
     (df['weight'].quantile(0.025) <= df['weight']) &
     ## 体重特征中，高于 97.5％ 分位数的样本
     (df['weight'] <= df['weight'].quantile(0.975))
]

问题：清洗掉的数据占原数据总量的近似百分比？

清洗后剩余数据集数量约为 63259 条，洗去数据占比约为 13.34% 。

数据可视化分析

问题：使用 Seaborn 热力图绘制特征之间的皮尔逊相关性系数矩阵。
```
peason_matrix = df.corr()
sns.heatmap(data=peason_matrix, annot=True, fmt='.1f')
```
先使用 DataFrame.corr() 计算相关系数矩阵，再对矩阵进行可视化，使用 annot 关键字在图表上显示相关性数值。
问题：以下哪组特征与性别的相关性更强？

根据色彩和数值，我们发现身高（0.5）和吸烟（0.3）与性别相关性更强（对应选项B）。

男女身高分布

问题：绘制身高和性别之间的小提琴图。
由于题目要求的小提琴图只涉及两个变量，因此并不需要使用 hue 参数来进行划分，将身高和性别分别设置成 $x$ 和 $y$ 即可。
```
sns.violinplot(data=df, y='height', x='gender', scale='count')
```
问题：绘制身高和性别之间的核密度图。
```
(sns.FacetGrid(df, hue="gender", height=12)
 .map(sns.kdeplot, "height").add_legend())
```
为了让两张独立的核密度图叠在一起，需要使用 sns.FacetGrid 构造多图层数据网格图，随后，借助 .map() 将不同性别的身高核密度图映射到网格中。
问题：使用热力图绘制特征之间的斯皮尔曼等级相关系数矩阵。
```
sns.heatmap(data=df.corr(method='spearman'), annot=True, fmt='.1f')
```
通过在 DataFrame.corr() 中指定 method 参数，可以切换相关系数的计算方式。除去主对角线上的 $1.0$ 之外，仅有 ap_hi 和 ap_lo 之间具备 $0.7$ 的相关度。

年龄可视化

问题：请使用统计图绘制年龄分布计数图，横坐标为年龄，纵坐标为对应的人群数量。
```
sns.countplot(data=df, x='age_years', hue='cardio')
```
问题：在哪个年龄下，心血管疾病患者人数首次超过无心血管疾病患者人数？

根据图表，55岁后心血管疾病患者数量远超常人数量。