糖尿病遗传风险检测挑战赛

Linzijiandevx

已于 2022-07-20 09:49:37 修改

阅读量545

点赞数 2

分类专栏：糖尿病遗传风险检测挑战赛 for coggle 文章标签： pandas 数据分析

于 2022-06-25 20:01:37 首次发布

本文链接：https://blog.csdn.net/Linzijiandevx/article/details/125463286

版权

糖尿病遗传风险检测挑战赛 for coggle 专栏收录该内容

1 篇文章 1 订阅

订阅专栏

文章目录

文章简介

这是我的Coggle 30 Days of ML 活动记录博客，活动地址： https://coggle.club/blog/30days-of-ml-202207

活动内容

在这里插入图片描述

任务1：报名比赛

步骤1 报名比赛

步骤2 下载比赛数据（点击比赛页面的赛题数据）

下载数据集
在这里插入图片描述

步骤3 解压比赛数据，并使用 pandas (熊猫) 进行读取；

利用pandas读取数据

import pandas as pd
data = pd.read_csv('比赛训练集.csv', encoding='gbk')
data.head()

运行结果：
在这里插入图片描述

步骤4 查看训练集和测试集字段类型，并将数据读取代码写到博客；

查看训练集和测试集字段类型

traindata.dtypes

testdata.dtypes

在这里插入图片描述

任务2

任务2：比赛数据分析

步骤1：统计字段的缺失值，计算缺失比例；

通过缺失值统计，训练集和测试集的缺失值分布是否一致？通过缺失值统计，有没有缺失比例很高的列？

步骤2：分析字段的类型；

有多少数值类型、类别类型？
你是判断字段类型的？
在博客中通过文字写出你的判断；

利用以下代码查看表格缺失值

traindata.isna().sum()

testdata.isna().sum()

在这里插入图片描述

可以看出，缺失都在舒张压字段

步骤3：计算字段相关性；

通过.corr()计算字段之间的相关性；

res = traindata.corr()
f,ax = plt.subplots(figsize=(20,9))
sns.heatmap(res,vmax=0.8,square=True,vmin=-1,annot=True)
ax.set_xticklabels(ax.get_xticklabels(), rotation=30)

在这里插入图片描述
对于目标标签，体重指数，肱三头肌皮褶厚度与糖尿病标签呈正相关，说明体重指数越大，体脂越高，得糖尿病的可能性越大；

任务三

我们考虑利用逻辑回归线性模型预测，但在预测之前，我们需要先对数据进行预处理

步骤1 预处理

因为数据中含有缺失值，所以我们考虑使用平均填充法，对缺失值进行填充。

from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
traindata['舒张压'].fillna(traindata['舒张压'].mean(),inplace=True)
testdata['舒张压'].fillna(testdata['舒张压'].mean(),inplace=True)

在逻辑回归之前，我们往往需要先对模型进行归一化处理，此处采用的是正态化处理。

ss = StandardScaler()
stdtraindata = ss.fit_transform(traindata)
stdtestdata = ss.fit_transform(testdata)

步骤2 训练与预测

在sklearn中，fit代表训练模型，predict代表预测，我们使用训练集数据进行训练，predict进行预测，并将结果保存到本地。

lr_clf = LogisticRegression()
# 用逻辑回归模型拟合构造的数据集
lr_clf = lr_clf.fit(stdtraindata, trainlabel) #其拟合方程为 y=w0+w1*x1+w2*x
res = lr_clf.predict(stdtestdata)
pd.Series(res).to_csv('结果.csv')