阿里天池赛后数据分析

最新推荐文章于 2025-08-08 21:43:01 发布

原创最新推荐文章于 2025-08-08 21:43:01 发布 · 1.6k 阅读

21 ·

CC 4.0 BY-SA版权

机器学习专栏收录该内容

31 篇文章

订阅专栏

本文介绍了一次使用人工智能预测糖尿病遗传风险的比赛经历，包括数据预处理、特征选择与工程、模型训练等多个步骤，最终实现了准确率较高的糖尿病风险预测。

赛后数据分析

天池精准医疗大赛——人工智能辅助糖尿病遗传风险预测

大赛概况

进入21世纪，生命科学特别是基因科技已经广泛而且深刻影响到每个人的健康生活，于此同时，科学家们借助基因科技史无前例的用一种全新的视角解读生命和探究疾病本质。人工智能（AI）能够处理分析海量医疗健康数据，通过认知分析获取洞察，服务于政府、健康医疗机构、制药企业及患者，实现个性化，可以循证的智慧医疗，推动创新，实现价值。

心血管病、糖尿病等慢性疾病，每年导致的死亡人数占总死亡人数的80%，每年用于慢病医疗费用占中国公共医疗卫生支出的比例超过13%。作为一种常见慢性疾病，糖尿病目前无法根治，但却能通过科学有效的干预、预防和治疗，来降低发病率和提高患者的生活质量。阿里云联合青梧桐健康科技有限公司主办天池精准医疗大赛——人工智能辅助糖尿病遗传风险预测，希望用人工智能的方法和思想处理、分析、解读和应用糖尿病相关大数据，让参赛选手设计高精度，高效，且解释性强的算法来挑战糖尿病精准预测这一科学难题，为学术界和精准医疗提供有力的技术支撑，帮助我们攻克糖尿病。

from pylab import *
mpl.rcParams['font.sans-serif'] = ['Droid Sans Fallback']
mpl.rcParams['axes.unicode_minus'] = False

import pandas as pd

data = pd.read_csv(r'data_flie/d_train_20180102.csv')
data.columns

Index([u'id', u'性别', u'年龄', u'体检日期', u'*天门冬氨酸氨基转换酶', u'*丙氨酸氨基转换酶', u'*碱性磷酸酶',
       u'*r-谷氨酰基转换酶', u'*总蛋白', u'白蛋白', u'*球蛋白', u'白球比例', u'甘油三酯', u'总胆固醇',
       u'高密度脂蛋白胆固醇', u'低密度脂蛋白胆固醇', u'尿素', u'肌酐', u'尿酸', u'乙肝表面抗原', u'乙肝表面抗体',
       u'乙肝e抗原', u'乙肝e抗体', u'乙肝核心抗体', u'白细胞计数', u'红细胞计数', u'血红蛋白', u'红细胞压积',
       u'红细胞平均体积', u'红细胞平均血红蛋白量', u'红细胞平均血红蛋白浓度', u'红细胞体积分布宽度', u'血小板计数',
       u'血小板平均体积', u'血小板体积分布宽度', u'血小板比积', u'中性粒细胞%', u'淋巴细胞%', u'单核细胞%',
       u'嗜酸细胞%', u'嗜碱细胞%', u'血糖'],

dtype='object')

describe_df = data.describe()
describe_df

id	年龄	*天门冬氨酸氨基转换酶	*丙氨酸氨基转换酶	*碱性磷酸酶	*r-谷氨酰基转换酶	*总蛋白	白蛋白	*球蛋白	白球比例	...	血小板计数	血小板平均体积	血小板体积分布宽度	血小板比积	中性粒细胞%	淋巴细胞%	单核细胞%	嗜酸细胞%	嗜碱细胞%	血糖
count	5642.000000	5642.000000	4421.000000	4421.00000	4421.000000	4421.000000	4421.000000	4421.000000	4421.000000	4421.000000	...	5626.000000	5619.000000	5619.000000	5619.000000	5626.000000	5626.000000	5626.000000	5626.000000	5626.000000	5642.000000
mean	2866.184155	45.580468	26.805892	27.65202	87.482278	38.823762	76.771108	45.822504	30.948604	1.502538	...	253.085318	10.653444	13.304414	0.267907	56.718468	33.778546	6.856772	2.043797	0.603697	5.631925
std	1655.555649	12.961946	13.563003	22.61152	25.630897	40.788282	4.016055	2.617401	3.565997	0.220621	...	59.586828	0.985484	2.173716	0.060503	7.799940	7.253097	1.567583	1.710901	0.291760	1.544882
min	1.000000	3.000000	10.040000	0.12000	22.980000	6.360000	57.320000	29.540000	7.060000	0.520000	...	37.000000	7.100000	8.000000	0.042000	14.400000	7.500000	3.100000	0.000000	0.000000	3.070000
25%	1433.250000	35.000000	20.250000	15.13000	70.370000	17.810000	74.190000	44.130000	28.570000	1.360000	...	213.000000	10.000000	11.700000	0.230000	51.600000	28.800000	5.800000	0.900000	0.400000	4.920000
50%	2870.500000	45.000000	23.890000	21.48000	84.470000	26.190000	76.630000	45.820000	30.780000	1.490000	...	249.000000	10.600000	12.900000	0.260000	56.700000	33.600000	6.700000	1.600000	0.600000	5.290000
75%	4302.750000	54.000000	29.270000	32.30000	100.210000	43.850000	79.530000	47.570000	33.180000	1.630000	...	289.000000	11.300000	14.600000	0.300000	62.000000	38.500000	7.700000	2.600000	0.700000	5.767500
max	5732.000000	93.000000	434.950000	498.89000	374.320000	736.990000	100.410000	54.080000	66.180000	7.120000	...	745.000000	15.200000	25.300000	0.710000	88.500000	76.300000	23.200000	22.500000	3.500000	38.430000

8 rows × 40 columns

data.isnull().sum() / len(data)#缺失值比例

id             0.000000
性别             0.000000
年龄             0.000000
体检日期           0.000000
*天门冬氨酸氨基转换酶    0.216413
*丙氨酸氨基转换酶      0.216413
*碱性磷酸酶         0.216413
*r-谷氨酰基转换酶     0.216413
*总蛋白           0.216413
白蛋白            0.216413
*球蛋白           0.216413
白球比例           0.216413
甘油三酯           0.216058
总胆固醇           0.216058
高密度脂蛋白胆固醇      0.216058
低密度脂蛋白胆固醇      0.216058
尿素             0.244240
肌酐             0.244240
尿酸             0.244240
乙肝表面抗原         0.758419
乙肝表面抗体         0.758419
乙肝e抗原          0.758419
乙肝e抗体          0.758419
乙肝核心抗体         0.758419
白细胞计数          0.002836
红细胞计数          0.002836
血红蛋白           0.002836
红细胞压积          0.002836
红细胞平均体积        0.002836
红细胞平均血红蛋白量     0.002836
红细胞平均血红蛋白浓度    0.002836
红细胞体积分布宽度      0.002836
血小板计数          0.002836
血小板平均体积        0.004077
血小板体积分布宽度      0.004077
血小板比积          0.004077
中性粒细胞%         0.002836
淋巴细胞%          0.002836
单核细胞%          0.002836
嗜酸细胞%          0.002836
嗜碱细胞%          0.002836
血糖             0.000000
dtype: float64

可以看出与乙肝相关的特征，缺失值到达了75%以上，于是决定删除乙肝5项，id与血糖无关，也删除，然后将data分为特征和结果标签，并将空缺值用平均值代替，之前打算剔除了体检日期这一特征，想了想等等吧

import time
import datetime
from dateutil.parser import parse

data['体检日期'] = (pd.to_datetime(data['体检日期']) - parse('2017-10-09')).dt.days
data['性别'] = data['性别'].map({'男': 1, '女': 0})
train_lable = data['血糖']#提取标签
train_data = data.iloc[:, 0:-1]#提取特征
exclude_other = ['id', '乙肝表面抗原', '乙肝表面抗体', '乙肝e抗原', '乙肝e抗体', '乙肝核心抗体']
for i in exclude_other:
     del train_data[i]
data_mean = train_data.mean()
train_data = train_data.fillna(data_mean)
train_data.shape

(5642, 35)

import matplotlib.pylab as plt
import seaborn as sns


data_corr = data.corr()
fig = plt.figure(figsize=(30, 30))
sns.heatmap(data_corr, vmax=0.9,   square=True, cbar=True, annot=True, fmt='.2f', annot_kws={'size': 10})
plt.show()

from scipy import stats

sns.distplot(train_lable)
plt.show()
stats.probplot(train_lable, plot=plt)
plt.show()

sns.boxplot(y = train_lable)
plt.show()

剔除血糖超過20的

del_index = []
for i in range(train_lable.shape[0]):
    if train_lable[i] > 20:
        del_index.append(i)
train_lable.drop(train_lable.index[del_index], inplace=True)
train_data.drop(train_data.index[del_index], inplace=True)

import numpy as np

train_lable_log = np.log1p(train_lable)

sns.distplot(train_lable_log);
plt.show()
stats.probplot(train_lable, plot=plt)
plt.show()

data1 = train_data[['性别', '年龄', '体检日期']]
sns.boxplot(data1)
plt.title('其他因素')
plt.show()

data2 = train_data[['*天门冬氨酸氨基转换酶', '*丙氨酸氨基转换酶', '*碱性磷酸酶',
       '*r-谷氨酰基转换酶', '*总蛋白', '白蛋白', '*球蛋白']]
sns.boxplot(data2)
plt.title('酶蛋白')
plt.show()

train_data.drop(train_data[(train_data['*天门冬氨酸氨基转换酶'] > 200) | (train_data['*丙氨酸氨基转换酶'] > 250) |
                           (train_data['*r-谷氨酰基转换酶'] > 600)].index, inplace=True)

data3 = train_data[['甘油三酯', '总胆固醇','高密度脂蛋白胆固醇', '低密度脂蛋白胆固醇']]
sns.boxplot(data3)
plt.title('醇')
plt.show()

train_data.drop(train_data[(train_data['甘油三酯'] > 30) | (train_data['总胆固醇'] > 20)].index, inplace=True)

data4 = train_data[['尿素', '肌酐', '尿酸']]
sns.boxplot(data4)                                          
plt.title('肾相关')
plt.show()

 data5 = train_data[['白细胞计数', '红细胞计数', '血红蛋白', '红细胞压积', '红细胞平均体积', '红细胞平均血红蛋白量', '红细胞平均血红蛋白浓度',
       '红细胞体积分布宽度', '血小板计数']]
sns.boxplot(data5)       
plt.title('細胞數')
plt.show()

train_data.drop(train_data[(train_data['血小板计数'] > 600)].index, inplace=True)

data6 = train_data[['血小板平均体积', '血小板体积分布宽度', '血小板比积']]
sns.boxplot(data6)
plt.title('血小板')
plt.show()

data7 = train_data[['中性粒细胞%','淋巴细胞%', '单核细胞%', '嗜酸细胞%', '嗜碱细胞%']]
sns.boxplot(data7)
plt.title('其他細胞')
plt.show()

train_data.drop(train_data[(train_data['中性粒细胞%'] < 23) | (train_data['淋巴细胞%'] > 65) |  (train_data['单核细胞%'] >20)].index, inplace=True)

drop_col = ['嗜碱细胞%','单核细胞%','白球比例','白蛋白','*总蛋白', '低密度脂蛋白胆固醇', '血小板比积','淋巴细胞%']
train_data.drop((drop_col), axis=1, inplace=True)

fig = plt.figure(figsize=(20, 20))
data_corr = train_data.corr()
sns.heatmap(data_corr, vmax=0.9,   square=True)
plt.show()

填补空缺值

train_data = train_data.fillna(-999)

def data_yunsun(train, test):
    train['霉'] = train['*天门冬氨酸氨基转换酶'] + train['*丙氨酸氨基转换酶'] + train['*碱性磷酸酶'] + train['*r-谷氨酰基转换酶']
    test['霉'] = test['*天门冬氨酸氨基转换酶'] + test['*丙氨酸氨基转换酶'] + test['*碱性磷酸酶'] + test['*r-谷氨酰基转换酶']

    train['尿酸/肌酐'] = train['尿酸'] / train['肌酐']
    test['尿酸/肌酐'] = test['尿酸'] / test['肌酐']

    train['肾'] = train['尿酸'] + train['尿素'] + train['肌酐']
    test['肾'] = test['尿酸'] + test['尿素'] + test['肌酐']

    train['红细胞计数*红细胞平均血红蛋白量'] = train['红细胞计数'] * train['红细胞平均血红蛋白量']
    test['红细胞计数*红细胞平均血红蛋白量'] = test['红细胞计数'] * test['红细胞平均血红蛋白量']

    train['红细胞计数*红细胞平均血红蛋白浓度'] = train['红细胞计数'] * train['红细胞平均血红蛋白浓度']
    test['红细胞计数*红细胞平均血红蛋白浓度'] = test['红细胞计数'] * test['红细胞平均血红蛋白浓度']

    train['红细胞计数*红细胞平均体积'] = train['红细胞计数'] * train['红细胞平均体积']
    test['红细胞计数*红细胞平均体积'] = test['红细胞计数'] * test['红细胞平均体积']

    train['嗜酸细胞'] = train['白细胞计数'] * train['嗜酸细胞%']
    test['嗜酸细胞'] = test['白细胞计数'] * test['嗜酸细胞%']

    train['血红蛋白/红细胞计数*红细胞平均血红蛋白浓度'] = train['血红蛋白'] / train['红细胞计数*红细胞平均血红蛋白浓度']
    test['血红蛋白/红细胞计数*红细胞平均血红蛋白浓度'] = test['血红蛋白'] / test['红细胞计数*红细胞平均血红蛋白浓度']
    return train, test

'''catboost'''
def test_ans(X_train, Y_train, X_test):
    cat_feature_inds = []
    cat_feature_inds.append(0)
    num_ensembles = 5
    y_pred = 0.0
    for i in tqdm(range(num_ensembles)):
        model = CatBoostRegressor(
            iterations=1000, learning_rate=0.03,
            depth=6, l2_leaf_reg=3,
            loss_function='RMSE',
            eval_metric='RMSE',
            random_seed=i)

        model.fit(X_train, Y_train,cat_features=[0])

        y_pred += model.predict(X_test)

    y_pred /= num_ensembles

    submission = pd.DataFrame({'pred': y_pred})

    submission.to_csv(r'sub{}.csv'.format(datetime.datetime.now().strftime('%Y%m%d_%H%M%S')), header=None,

                      index=False, float_format='%.4f')

'''xgboost'''
def test_ans2(X_train, y_train):
    import xgboost as xgb
    from sklearn.metrics import mean_squared_error
    kf = KFold(n_splits=5, shuffle=False)
    params = {
        'max_depth': 6,
        'eta': 0.1,
        'silent': 1,
        'gamma':0.0468,
        'alpha':0.4640,
        'lambda': 0.8571,
        'objective': 'count:poisson'
    }

    print "*********"
    y_pred = 0.0
    for train_index, test_index in kf.split(X_train):
        dtrain = xgb.DMatrix(X_train[train_index], y_train[train_index])
        dtest = xgb.DMatrix(X_train[test_index], y_train[test_index])
        dtest2 = xgb.DMatrix(X_test)
        watch_list = [(dtest, 'eval'), (dtrain, 'train')]
        num_rounds = 1000
        model = xgb.train(params, dtrain, num_rounds, watch_list)
        ans = model.predict(dtest)
        # score += ((ans-y_train[test_index])**2).sum()/(2*y_train[test_index].shape[0])
        y_pred += model.predict(dtest2, ntree_limit=model.best_ntree_limit)
    print "+++++++++++"

    y_pred /= 5
    submission = pd.DataFrame({'pred': y_pred})

    submission.to_csv(r'sub{}.csv'.format(datetime.datetime.now().strftime('%Y%m%d_%H%M%S')), header=None,

                      index=False, float_format='%.4f')

'''ligthGBM'''
def test_ans3(X_train, y_train, X_test):
    import lightgbm as lgb
    kf = KFold(n_splits=5, shuffle=False)
    params = {
        'learning_rate': 0.01,

    'boosting_type': 'gbdt',

    'objective': 'poisson',

    'bagging_fraction': 0.8,

    'bagging_freq':1,

    'num_leaves': 12,

    'colsample_bytree': 0.6,

    'max_depth': 6,

    'min_data': 5,

    'min_hessian': 1,

    'verbose': -1
    }
    score = 0.0
    ans = 0.0
    for train_index, test_index in kf.split(X_train):
        lgb_train = lgb.Dataset(X_train[train_index], y_train[train_index])
        lgb_eval = lgb.Dataset(X_train[test_index], y_train[test_index], reference=lgb_train)
        # lgb_test = lgb.Dataset(X_test)
        gbm = lgb.train(params,
                        lgb_train,
                        num_boost_round=20000,

                        valid_sets=lgb_eval,

                        verbose_eval=500,

                        early_stopping_rounds=200)
        y_pred = gbm.predict(X_train[test_index], num_iteration=gbm.best_iteration)
        ans +=  gbm.predict(X_test, num_iteration=gbm.best_iteration)
        score += ((y_pred-y_train[test_index])**2).sum()/(2*y_train[test_index].shape[0])
    print score/5
    ans /= 5
    submission = pd.DataFrame({'pred': ans})

    submission.to_csv(r'sub{}.csv'.format(datetime.datetime.now().strftime('%Y%m%d_%H%M%S')), header=None,

                      index=False, float_format='%.4f')