医学数据预处理
本次任务的目的是处理PO2,PCO2两个指标。这两个指标均为病人的血气指标,以一定的时间间隔采集。一个病人一次住院期间可能收集一次或者多次。要求,按照采集时间的前后顺序,汇总每个病人每次住院期间的所有的pO2, pCO2指标值。涉及到的预处理方法包括插值,去噪,缺失值填充,离群点数据处理,可视化等。
一、初始化程序代码
import pandas as pd
import matplotlib.pyplot as plt
from random import sample
import numpy as np
%matplotlib inline
设置可视化风格
plt.style.use(‘tableau-colorblind10’)
设置字体为黑体
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
二、数据提取过程
1.数据提取
根据采集时间来读取数据
df = pd.read_csv(‘mini_label_events.csv’, index_col=‘CHARTTIME’)
筛选出po2和pco2数据
po2 = df.query(‘ITEMID in [490, 3785, 3837, 50821]’)
pco2 = df.query(‘ITEMID in [3784, 3835, 50818]’)
创建DateFrame来存储数据
a1 = pd.DataFrame()
a1[“PO2”] = po2[“VALUENUM”]
a1[“PCO2”] = pco2[“VALUENUM”]
a1[“SUBJECT_ID”] = po2[“SUBJECT_ID”]
a1[“HADM_ID1”] = po2[“HADM_ID”]
a1[‘采集时间’] = a1.index
重置索引
a1.reset_index()
根据采集时间从早到晚排序
a1.sort_values(by=‘CHARTTIME’, inplace=True)
插入序号并设置索引
a1.insert(1, ‘序号’, range(1, len(a1) + 1))
a1.set_index(‘序号’, inplace=True)
a1.reset_index(drop=True)
a1
运行结果:
2.提取CHART表格中PO2和PCO2数据
df1 = pd.read_csv(‘mini_chart_events.csv’,
low_memory=False, index_col=“CHARTTIME”)
筛选出po2和pco2数据
po2 = df2.query(‘ITEMID490 | ITEMID3785 | ITEMID3837 | ITEMID50821’)
po2 = df1.query(‘ITEMID in [490, 3785, 3837, 50821]’)
pco2 = df1.query(‘ITEMID in [3784, 3835, 50818]’)
这里存在重复时间索引,删除前面一个,保留最后一个
po2 = po2.reset_index().drop_duplicates(
subset=‘CHARTTIME’, keep=‘last’).set_index(‘CHARTTIME’)
pco2 = pco2.reset_index().drop_duplicates(
subset=‘CHARTTIME’, keep=‘last’).set_index(‘CHARTTIME’)
创建DateFrame来存储数据
a2 = pd.DataFrame()
a2[“PO2”] = po2[“VALUENUM”]
a2[“PCO2”] = pco2[“VALUENUM”]
a2[“SUBJECT_ID”] = po2[“SUBJECT_ID”]
a2[“HADM_ID1”] = po2[“HADM_ID”]
a2[‘采集时间’] = a2.index
重置索引
a2.reset_index()
根据采集时间从早到晚排序
a2.sort_values(by=‘CHARTTIME’, inplace=True)
插入序号并设置索引
a2.insert(0, ‘序号’, range(1, len(a2) + 1))
a2.set_index(‘序号’, inplace=True)
a2
运行结果:
3.最小采集时间间隔
根据病人ID和不同住院时间的ID进行分组
group = a1.groupby([“SUBJECT_ID”, “HADM_ID1”])
提取采集时间大于1的组别(只有2个时间以上才能求间隔)
tem_list = []
for key, item in group[‘采集时间’]:
if item.count() > 1:
tem_list.append(item)
提取各组的所有采集时间间隔
interval_list = []
for i in range(len(tem_list)):
tem_list[i].sort_values(ascending=False, inplace=True) # 对采集时间进行从大到小的排序
for j in range(tem_list[i].count() - 1):
interval = pd.to_datetime(
tem_list[i].iloc[j]) - pd.to_datetime(tem_list[i].iloc[j+1])
interval_list.append(interval)
min(interval_list)
运行结果:
三、插值
1.对LABEVENTS表进行插值
ipl1 = pd.DataFrame() # 用来存储插值后的结果
for key, item in group:
item.set_index(‘采集时间’, inplace=True)
item.index = pd.to_datetime(item.index)
# 设置重采样时间间隔为1min,该时间由上面选取得到
ev_ipl = item.resample(‘1min’).interpolate() # 这里使用默认的线性插值
ipl1 = pd.concat([ipl1, ev_ipl], axis=0)
重置索引
ipl1.reset_index(inplace=True)
插入序号并设为索引
ipl1.insert(0, ‘序号’, range(1, 1 + len(ipl1)))
ipl1.set_index(‘序号’, inplace=True)
更换顺序
order = [‘PO2’, ‘PCO2’, ‘SUBJECT_ID’, ‘HADM_ID1’, ‘采集时间’]
ipl1 = ipl1[order]
ipl1
运行结果:
2.对CHARTEVENTS表进行插值
ipl2 = pd.DataFrame() # 用来存储插值后的结果
根据病人ID和不同住院时间的ID进行分组
group2 = a2.groupby([“SUBJECT_ID”, “HADM_ID1”])
for key, item in group2:
item.set_index(‘采集时间’, inplace=True)
item.index = pd.to_datetime(item.index)
# 设置重采样时间间隔为1min,该时间由上面选取得到