编程语言数据分析实战

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。

1. import numpy as np 
2. import pandas as pd 
3. import matplotlib.pyplot as plt 
4. 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

1. countNoDisease = len(data[data.target == 0]) 
2. countHaveDisease = len(data[data.target == 1]) 
3. countfemale = len(data[data.sex == 0]) 
4. countmale = len(data[data.sex == 1]) 
5. print(f'没患病人数:{countNoDisease }',end=' ,') 
6. print("没有得心脏病比率: {:.2f}%".format((countNoDisease / (len(data.target))*100))) 
7. print(f'有患病人数:{countHaveDisease }',end=' ,') 
8. print("患有心脏病比率: {:.2f}%".format((countHaveDisease / (len(data.target))*100))) 
9. print(f'女性人数:{countfemale }',end=' ,') 
10. print("女性比例: {:.2f}%".format((countfemale / (len(data.sex))*100))) 
11. print(f'男性人数:{countmale }',end=' ,') 
12. 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

1. fig, ax =plt.subplots(1,3)  #2个子区域 
2. fig.set_size_inches(w=15,h=5)   # 设置画布大小 
3. sns.countplot(x="sex", data=data,ax=ax[0]) 
4. plt.xlabel("性别 (0 = female, 1= male)") 
5. sns.countplot(x="target", data=data,ax=ax[1]) 
6. plt.xlabel("是否患病 (0 = 未患病, 1= 患病)") 
7. sns.swarmplot(x='sex',y='age',hue='target',data=data,ax=ax[2]) 
8. plt.xlabel("性别 (0 = female, 1= male)") 
9. 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：

1. pd.crosstab(data.sex,data.target).plot(kind="bar",figsize=(15,6),color=['#30A9DE','#EFDC05' ]) 
2. plt.title('各性别下患病图示') 
3. plt.xlabel('性别 (0 = 女性, 1 = 男性)') 
4. plt.xticks(rotation=0) 
5. plt.legend(["未患病", "患有心脏病"]) 
6. plt.ylabel('人数') 
7. 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)

1. pd.crosstab(data.age,data.target).plot(kind="bar",figsize=(25,8)) 
2. plt.title('患病变化随年龄分布图') 
3. plt.xlabel('岁数') 
4. plt.ylabel('比率') 
5. plt.savefig('heartDiseaseAndAges.png') 
6. 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。

1. # 散点图 
2. plt.scatter(x=data.age[data.target==1], y=data.thalach[(data.target==1)], c="red") 
3. plt.scatter(x=data.age[data.target==0], y=data.thalach[(data.target==0)], c='#41D3BD') 
4. plt.legend(["患病", "未患病"]) 
5. plt.xlabel("年龄") 
6. plt.ylabel("最大心率") 
7. plt.show() 
8. # 再画个提琴图 
9. sns.violinplot(x=data.target,y=data.trestbps,data=data) 
10. 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。

1. plt.scatter(x=data.age[data.target==1], y=data.trestbps[data.target==1], c="#FFA773") 
2. plt.scatter(x=data.age[data.target==0], y=data.trestbps[data.target==0], c="#8DE0FF") 
3. plt.legend(["患病",'未患病']) 
4. plt.xlabel("年龄") 
5. plt.ylabel("血压") 
6. 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

1. plt.scatter(x=data.thalach[data.target==1], y=data.trestbps[data.target==1], c="#FFA773") 
2. plt.scatter(x=data.thalach[data.target==0], y=data.trestbps[data.target==0], c="#8DE0FF") 
3. plt.legend(["患病",'未患病']) 
4. plt.xlabel("心率") 
5. plt.ylabel("血压") 
6. 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。

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

1. fig,ax=plt.subplots(1,2,figsize=(14,5)) 
2. sns.countplot(x='cp',data=data,hue='target',palette='Set3',ax=ax[0]) 
3. ax[0].set_xlabel("胸痛类型") 
4. 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') 
5. 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)

1. sns.swarmplot(x='exang',y='thalach',hue='target',data=data, size=6) 
2. plt.xlabel('有没有过运动引起心绞痛') 
3. plt.ylabel('最大心率') 
4. 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

1. plt.figure(figsize=(15,5)) 
2. sns.swarmplot(y='trestbps',data=data,x='ca',hue='target',palette='RdBu_r',size=7) 
3. plt.xlabel('大血管数量') 
4. plt.ylabel('静息血压') 
5. plt.show() 

1. plt.figure(figsize=(15,5)) 
2. sns.catplot(x="ca", y="age", hue="target", kind="swarm", data=data, palette='RdBu_r') 
3. plt.xlabel('大血管显色数量') 
4. 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。

1. plt.scatter(x=data.age[data.target==1], y=data.chol[data.target==1], c="orange") 
2. plt.scatter(x=data.age[data.target==0], y=data.chol[data.target==0], c="green") 
3. plt.legend(["患病",'未患病']) 
4. plt.xlabel("年龄") 
5. plt.ylabel("胆固醇") 
6. plt.show() 
7. # 箱型图 
8. 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

1. plt.figure(figsize=(15,10)) 
2. ax= sns.heatmap(data.corr(),cmap=plt.cm.RdYlBu_r , annot=True ,fmt='.2f') 
3. a,b =ax.get_ylim() 
4. 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。

在过去的几十年间，大量的编程语言被发明、被取代、被修改或组合在一起。尽管人们多次试图创造一种通用的程序设计语言，却没有一次尝试是成功的。之所以有那么多种不同的编程语言存在的原因是，编写程序的初衷其实也各不相同；新手与老手之间技术的差距非常大，而且有许多语言对新手来说太难学；还有，不同程序之间的运行成本（runtime cost）各不相同。