数据分析实战：利用python对心脏病数据集进行分析

我们都很害怕生病，但感冒发烧这种从小到大的疾病我们已经麻木了，因为一星期他就会好，但是随着长大，各种发炎、三高、心脏病、冠心病响应而生。

心脏病作为一种发作起来让人看了就觉得恐怖的疾病，每年不知道夺走多少生命。而那些患病健在的人们也必须在自己后续的生命里割舍太多东西，以防止心脏病发作。

没有得病的时候，我们永远觉得它离自己很远。我对心脏病的认知就是这样，我不知道它患病的原因，也不知哪些原因会引起心脏病。而患病后如何保持正常生活等等，一概不知。

今天在kaggle上看到一个心脏病数据（数据集下载地址和源码见文末），那么借此深入分析一下。

数据集读取与简单描述

首先导入library和设置好超参数，方便后续分析。

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

通过对数据集读取和描述可以得到这两个表格：

可以看到有303行14列数据，每列的标题是age、sex、cp、……、target。他们就像每次去医院的化验单，非专业人士很多都不认识。所以利用官方的解释翻译后含义如下：

• 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。这块比较专业，可以点这个看一个解读）

• slope: 最高运动ST段的斜率（值1:上坡，值2:平坦，值3:下坡）

• ca: 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）

所以这些信息里都是患病或者健康者的一些身体指标，并没有和他是否抽烟、是否熬夜、是否遗传、是否作息规律那些东西，因此找不到指导现在我们生活的点，比如说明要戒烟戒酒那些东西。

顺手送上一篇知乎链接 此外上边只是我通过原版数据集给的解读翻译的，如有出错误，欢迎纠正

拿到一套数据首先是要看看这个数据大概面貌~

男女比例

先看看患病比率，男女比例这些常规的

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'没患病人数:{countNoDisease }',end=' ,')
print("没有得心脏病比率: {:.2f}%".format((countNoDisease / (len(data.target))*100)))
print(f'有患病人数:{countHaveDisease }',end=' ,')
print("患有心脏病比率: {:.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)))

上边代码得到的答案如下，乍看上去男的多于女的，但前提是这个数据只是这个300人的样本展示，不代表全人类

没患病人数:138 ,没有得心脏病比率: 45.54%
有患病人数:165 ,患有心脏病比率: 54.46%
女性人数:96 ,女性比例: 31.68%
男性人数:207 ,男性比例: 68.32%

除了用饼图看这个面貌，还可以同时看一下

fig, ax =plt.subplots(1,3)  #2个子区域
fig.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 = 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("性别 (0 = female, 1= male)")
plt.show()

从这三联图可以看到男性1多余女性0，患病target1多于未患病0，在年龄分布提琴图里可以看到女性患者比例多于男性患者比例。

其中比列详细拆解一下，见下方代码和图示：

pd.crosstab(data.sex,data.target).plot(kind="bar",figsize=(15,6),color=['#30A9DE','#EFDC05' ])
plt.title('各性别下患病图示')
plt.xlabel('性别 (0 = 女性, 1 = 男性)')
plt.xticks(rotation=0)
plt.legend(["未患病", "患有心脏病"])
plt.ylabel('人数')
plt.show()

可以看到这个数据集中女性患者数是健康数的3倍多。留下一个疑问，心脏病女性更容易得嘛？百度了一下，发现这个问题提问的人不少，但没有具体很科学的回答。google也同样如此。可能要找到这个答案需要再去找一找文献，但不是本文目的，因此没有去寻找这个真实比例。

在这个数据集中，男性多于女性一倍，分别207和96人；患病患者稍微多余未患病患者，患病165，138人。因为年龄可能是连续的，因此在第三幅图做年龄、性别、患病关系图，单从颜色观察可发现在这个数据集中，女性患病率大于男性。通过第四图和统计可以计算得到，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这个数据集的。

年龄和患病关系

通过以下代码来看一看：随着年龄增长患病比率有没有变化

（现在写这个文章的时候我才想到，可能即使有变化也没有意义，还是样本有限，如果这个样本空间覆盖再提升1000倍才能说明一些问题吧——即年龄和患有心脏病的关系）

pd.crosstab(data.age,data.target).plot(kind="bar",figsize=(25,8))
plt.title('患病变化随年龄分布图')
plt.xlabel('岁数')
plt.ylabel('比率')
plt.savefig('heartDiseaseAndAges.png')
plt.show()

输出的图像如下：就这张图来说37-54岁患病人数多于未患病人数，年龄再继续升高后有没有这个规律了，在70+岁后患病人数又增加，这条仅能作为数据展示，不能作为结论。

数据集中还有很多维度可以组合分析，下边开始进行组合式探索分析

年龄-心率-患病三者关系

在这个数据集中，心率的词是‘thalach’，所以看年龄、心率、是否患病的关系。

# 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(["患病", "未患病"])
plt.xlabel("年龄")
plt.ylabel("最大心率")
plt.show()
# 再画个提琴图
sns.violinplot(x=data.target,y=data.trestbps,data=data)
plt.show()

看到30岁心跳200那个点，吓我一跳，如果心脏病不是病，那200这个速度太让人膜拜了。

可以看到的是心跳速度患病的大概集中在140-200bpm之间。这个数据比未患病的人普遍高一些，从提琴图上也可以看到这个值分布比健康人高一些且更集中。

年龄和血压（trestbps）分布关系

大家都知道体检的时候血压是常规测试项目，那么我想血压和年龄有什么关系吗？有没有心脏病和年龄有关系吗？

来做个图看一下。并尝试用不同的颜色区分。

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("年龄")
plt.ylabel("血压")
plt.show()

看上去随着年龄增长，血压更飘了？从这个结果可以看到的是，静息血压患病人和未患病的人在血压方面都是均匀分布的，随着年龄增长也没有明显的分层变化。所以并不能直接从静息血压很好的判断出是否患心脏病。

那么血压与其他什么有关呢？

比如心率？好，来看看。

血压（trestbps）和心率（thalach）关系

血压、心率这两个都来自于心脏的动能，相当于发动机力量和发动机转速。我猜这俩有点关系，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("血压")
plt.show()

现实情况是，这个样本集中，除了能显示出患病新率高这个已有结果外，血压和心率没有相关性。

胸痛类型和心脏病、血压三者关系

表中有个数据是胸痛类型四个，分别是0123，他们和心脏病有关系吗，作图看看。

此外这块我要说的是，我上边的翻译是1 典型、2非典型、3非心绞痛、4无症状。

但是数据集中是0123 ，我再kaggle里看了很多人的作品，没有合理解释这个的，所以这个数据我只可视化展示，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("胸痛类型")

结论是：从上图可以看到的是0类疼痛的人在非患病群体中占大多数，而在患病群体中，123三种胸痛的人占了大部分。

运动引起的心绞痛与患病、心率关系

承接胸痛类型，运动引起心绞痛与是否患病有没有关系呢？与心率有没有关系呢？作图看一下

PS:运动引起心绞痛（exang: 1=有过；0=没有）

sns.swarmplot(x='exang',y='thalach',hue='target',data=data, size=6)
plt.xlabel('有没有过运动引起心绞痛')
plt.ylabel('最大心率')
plt.show()

得到的这个图像很有意思！

虽然最大心率是入院时候测的，但是在没有运动引起心绞痛的人中，最大心率集中度比较高，在160-180之间，而他们都患有心脏病。

我推测是：他们有心脏病，运动就难受，所以就不运动，所以根本不会有“运动时产生胸痛”这种问题。

而在运动中产生胸痛的人中（右边为1的）他们有很多产生过胸痛，这种人心率比较高，在120-150之间集中着，而其中很多人并没有心脏病，只是心率比较高。

大血管数量（ca）和血压（trestbps）、患病关系

plt.figure(figsize=(15,5))
sns.swarmplot(y='trestbps',data=data,x='ca',hue='target',palette='RdBu_r',size=7)
plt.xlabel('大血管数量')
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('大血管显色数量')
plt.ylabel('年龄'

这个血管数量指银光显色。具体医学含义没搜到，所以不分析。只是为0的和患病有很大的相关性

年龄（age）和胆固醇（chol）关系

在我初高中的时候，我妈妈告诉我说，每天鸡蛋黄不要超过两个，不然会引起胆固醇高，那时候身体健康，从来不信这些话。我后来上大学了连每天一个都没保证住，但我记住了这句话，所以看到胆固醇三个字会想起这个家庭教育哈哈。

胆固醇侧面反映了血脂，那么下边生成一下胆固醇、年龄、患病三者关系散点图。为了区分，这次我又换了个颜色。

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(["患病",'未患病'])
plt.xlabel("年龄")
plt.ylabel("胆固醇")
plt.show()
# 箱型图
sns.boxplot(x=data.target,y=data.chol,data=data)

在这个样本集中，患病者和非患病者胆固醇含量分布没有明显的分层现象，箱型图显示结果是合理上下限是一样的，只是25%、50%、75%三条线患病的人稍微稍微低一些。

结论就是胆固醇并不能直接反映有没有心脏病这件事。

相关性分析

分析了很多，那么哪些和患病相关的，而数据间又有啥关系呢？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)

图像很好看对不对，只看最后一行，是否患病和cp、thalach、slope正相关，和exang、oldpeak、ca、thal等负相关。

本篇分析了心脏病数据集中的部分内容，14列其实有非常多的组合方式去分析。此外本文没有用到模型，只是数据可视化的方式进行简要分析。

本文中由于图片过大，在手机浏览可能看不清楚，故开源了代码，欢迎大家自己动手可视化试试。

如果有什么建议意见，欢迎留言。