DAY 7 复习日

针对之前学到的所有知识，针对心脏病项目的数据集来完成数据的预处理。

一、数据的读取与查看

import pandas as pd
# 读取数据，查看特征
data = pd.read_csv(r'heart.csv')
data.columns.to_list()

# 原名不容易理解，换个名
data.columns = ['age', 
              'sex', 
              'chest_pain_type', 
              'resting_blood_pressure', 
              'cholesterol', 
              'fasting_blood_sugar', 
              'rest_ecg', 
              'max_heart_rate_achieved',
              'exercise_induced_angina', 
              'st_depression', 
              'st_slope', 
              'num_major_vessels', 
              'thalassemia', 'target']

# 查看数据信息
data.info()

data.shape  # 查看数据的形状

# 所有特征的类型
data.dtypes

# bool形式查看缺失值
data.isnull()

# 各特征缺失值个数
data.isnull().sum()

# 数字特征
data.describe()

# 特征下各类别的数量
data['target'].value_counts()

二、补全缺失值

练习：均值\中位数（median）\众数（mode）补全缺失值，实际本数据集无缺失值

• 连续值推荐用众数，排除特别大和特别小的异常值的影响
• 离散值推荐用众数，不能用中位数和平均数

# for循环判断找出数值型类型
for i in data.columns:
  if data[i].dtype == 'int64' or data[i].dtype == 'float64':
    # 判断是否有缺失值
    if data[i].isnull().sum() > 0:
      # 中位数填补缺失值
      median = data[i].median()
      data[i].fillna(median, inplace=True)
# 检查是否有缺失值
data.isnull().sum()    

三、离散特征独热编码

# 找出离散特征 
discrete_features = []
all_features_names = data.columns.to_list()
for i in all_features_names:
  if data[i].dtype == 'object':
    discrete_features.append(i)
# 对离散特征进行独热编码
data = pd.get_dummies(data, columns=discrete_features, drop_first=True) 
# 对比找出新增的特征
new_features = []
for i in data.columns:
  if i not in all_features_names:
    new_features.append(i)   
# 新特征的bool型转换为int型  
for i in new_features:
  data[i] = data[i].astype(int)

四、数据可视化

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

1、单个连续特征 箱线图boxplot

plt.figure(figsize=(10, 6))
sns.boxplot(x='st_depression', data=data)
plt.xlabel('st_depression')
plt.title('Box Plot of st_depression')
plt.show()

2、单个离散特征 直方图histplot

# 设置全局字体为支持中文的字体，例如SimHei
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决负号显示问题
plt.rcParams['axes.unicode_minus'] = False
# 同时绘制几个单特征的直方图
# 好多图函数分别使用seaborn和matplotlib实现
# seaborn创建的图更美观，自动实现图的调整，内置hue参数可以实现分类
# 但matplotlib创建的图更灵活，需要手动调整图的大小、间距、字体等，是一些基础的图

# 定义列表 存储需要绘制直方图的特征名称
features_to_plot = ['age', 'chest_pain_type', 'resting_blood_pressure', 'rest_ecg']
# 从数据集data选取指定特征绘制直方图，bins参数设置直方图的柱子数量，figsize参数设置图的大小
data[features_to_plot].hist(bins=30, figsize=(16, 10))
# 设置主标题
plt.suptitle('特征直方图')
plt.show()

3、特征和标签的关系

1.连续特征和标签

• 横坐标:标签
• 纵坐标:连续特征

plt.figure(figsize=(10, 6))
sns.boxplot(x='target', y='st_depression', data=data)
plt.title('st_depression vs. target')
# x、y轴标签名默认为坐标轴所代表的特征名称，可通过xlabel()和ylabel()进行修改
# plt.xlabel('心脏病诊断')
# plt.ylabel('休息引发的ST下降')
plt.show()

        plt.subplot(1, 3, 1) 在画布中规划一个1行3列的子图布局，并指定后续绘图将在第一个位置（最左侧）进行绘制

# 绘制age与target的关系图
plt.subplot(1, 3, 1)
sns.boxplot(x='target', y='st_depression', data=data)
plt.title('st_depression vs target')

2.绘制age的核密度直方图

# 绘制age的核密度直方图
plt.figure(figsize=(10, 6))
sns.histplot(x='age', hue='target', data=data, kde=True, element='step')
plt.title('Age Distribution')
plt.xlabel('年龄')
plt.ylabel('人数')
plt.show()

@浙大疏锦行