糖尿病数据分析：血压与年龄关系可视化

一、查看数据信息

python 复制代码

import matplotlib.pyplot as plt				
import pandas as pd
import matplotlib.font_manager as fm
from sklearn.feature_selection import SelectKBest,chi2
plt.rcParams['font.sans-serif']=['SimHei']
#数据探索
data = pd.read_excel(r"D:\Python\健康医学数据分析\第9章 医学实践综合案例源代码\案例4：糖尿病致病因素数据分析与可视化\diabetes.xlsx")		# 读取文件
data.info()									# 查看数据信息
data.describe()

代码解析：

导入库：
- matplotlib.pyplot：用于数据可视化
- pandas：用于数据处理和分析
- matplotlib.font_manager：用于管理字体
- sklearn.feature_selection：用于特征选择（虽然导入但未使用）
字体设置：
- plt.rcParams['font.sans-serif']=['SimHei']：设置matplotlib使用黑体(SimHei)显示中文，避免中文乱码
数据加载：
- 使用pd.read_excel()从指定路径读取Excel文件
- 文件路径指向一个糖尿病数据集(diabetes.xlsx)
数据探索：
- data.info()：显示数据的基本信息，包括：
  - 列名和数据类型
  - 非空值数量
  - 内存使用情况
- data.describe()：显示数据的统计摘要，包括：
  - 计数(count)
  - 均值(mean)
  - 标准差(std)
  - 最小值(min)
  - 四分位数(25%, 50%, 75%)
  - 最大值(max)

运行结果：

二、绘制箱线图查看异常值

python 复制代码

# 绘制箱线图查看异常值
fig = plt.figure(figsize=(20, 15))
plt.subplot(421)
plt.boxplot(data['Pregnancies'],showmeans=True,patch_artist='bule')
plt.title('怀孕次数',fontsize='x-large')
plt.ylabel('人数')

plt.subplot(422)
plt.boxplot(data['Glucose'],showmeans=True,patch_artist='bule')
plt.title('口服葡萄糖耐量试验中血浆葡萄糖浓度',fontsize='x-large')
plt.ylabel('人数')

plt.subplot(423)
plt.boxplot(data['BloodPressure'],showmeans=True,patch_artist='bule')
plt.title('舒张压',fontsize='x-large')
plt.ylabel('人数')

plt.subplot(424)
plt.boxplot(data['SkinThickness'],showmeans=True,patch_artist='bule')
plt.title('三头肌组织褶厚度',fontsize='x-large')
plt.ylabel('人数')

plt.subplot(425)
plt.boxplot(data['Insulin'],showmeans=True,patch_artist='bule')
plt.title('2小时血清胰岛素',fontsize='x-large')
plt.ylabel('人数')

plt.subplot(426)
plt.boxplot(data['BMI'],showmeans=True,patch_artist='bule')
plt.title('身体质量指数（BMI）',fontsize='x-large')
plt.ylabel('人数')

plt.subplot(427)
plt.boxplot(data['DiabetesPedigreeFunction'],showmeans=True,patch_artist='bule')
plt.title('糖尿病系统功能',fontsize='x-large')
plt.ylabel('人数')

plt.subplot(428)
plt.boxplot(data['Age'],showmeans=True,patch_artist='bule')
plt.title('年龄',fontsize='x-large')
plt.ylabel('人数')
plt.show()

创建画布：

python 复制代码

fig = plt.figure(figsize=(20, 15))  # 设置画布大小（宽20英寸，高15英寸）

通过 figsize 调整整体图形大小，适合同时展示多个子图。

绘制子图：

使用 plt.subplot(421) 到 plt.subplot(428) 将画布分为 4行2列共8个子图 ，每个子图对应一个特征：
- Pregnancies（怀孕次数）
- Glucose（葡萄糖浓度）
- BloodPressure（舒张压）
- SkinThickness（皮肤厚度）
- Insulin（胰岛素）
- BMI（身体质量指数）
- DiabetesPedigreeFunction（糖尿病遗传函数）
- Age（年龄）

箱线图参数：

python 复制代码

plt.boxplot(data['列名'], showmeans=True, patch_artist='bule')

showmeans=True：显示均值（绿色三角标记）。
patch_artist='bule'：试图设置箱体颜色为蓝色，但参数有误（正确应为 patch_artist=True, boxprops={'facecolor':'blue'}）。

标题和标签：

每个子图添加中文标题（如 '怀孕次数'）和纵轴标签（'人数'），字体大小设为 x-large。

显示图形：

python 复制代码

plt.show()

运行结果：

三、将0值用平均值替换

python 复制代码

#将0值用平均值替换
for i in range(6):
    value = int(data.iloc[:,i].mean())
    data.iloc[:,i].replace(0,value=value,inplace=True)
data.head()

遍历前 6 列数据：

python 复制代码

for i in range(6):  # 处理前6列（0到5列）

假设数据集的前 6 列是数值型特征（如 Pregnancies, Glucose 等）。

计算列的平均值：

python 复制代码

value = int(data.iloc[:, i].mean())  # 取整后的列均值

data.iloc[:, i] 选择第 i 列的所有行。
.mean() 计算该列的平均值，并用 int() 取整。

替换 0 值为均值：

python 复制代码

data.iloc[:, i].replace(0, value=value, inplace=True)

将当前列中所有 0 值替换为 value（均值）。
inplace=True 直接修改原数据，无需重新赋值。

查看处理后的数据：

python 复制代码

data.head()  # 显示前5行，验证替换结果

运行结果：

四、查看不同年龄段血压情况，多重柱状图---血压

python 复制代码

#查看不同年龄段血压情况，多重柱状图---血压
row=0;num1=0;num2=0;num3=0;num20=0;num30=0;num40=0;num50=0;num60=0;num21=0;num31=0;num41=0;num51=0;num61=0;num22=0;num32=0;num42=0;num52=0;num62=0
for i in data.loc[:,"Outcome"]:
    if i==0:
        continue
        row+=1
    else:
        if data.loc[row,"BloodPressure"]<=60:
            num1+=1
            if 20<data.loc[row,"Age"]<=30:
                num20+=1
            elif 30<data.loc[row,"Age"]<=40:
                num30+=1
            elif 40<data.loc[row,"Age"]<=50:
                num40+=1
            elif 50<data.loc[row,"Age"]<=60:
                num50+=1
            else:
                num60+=1
        elif 60<data.loc[row,"BloodPressure"]<=90:
            num2+=1
            if 20<data.loc[row,"Age"]<=30:
                num21+=1
            elif 30<data.loc[row,"Age"]<=40:
                num31+=1
            elif 40<data.loc[row,"Age"]<=50:
                num41+=1
            elif 50<data.loc[row,"Age"]<=60:
                num51+=1
            else:
                num61+=1
        else:
            num3+=1
            if 20<data.loc[row,"Age"]<=30:
                num22+=1
            elif 30<data.loc[row,"Age"]<=40:
                num32+=1
            elif 40<data.loc[row,"Age"]<=50:
                num42+=1
            elif 50<data.loc[row,"Age"]<=60:
                num52+=1
            else:
                num62+=1
        row+=1
dataplot = pd.DataFrame({'分类': ['低血压','血压正常','高血压'],
                     '21岁-30岁':[num20,num21,num22],
                    '31岁-40岁':[num30,num31,num32],
                    '41岁-50岁':[num40,num41,num42],
                    '51岁-60岁':[num50,num51,num52],
                    '61岁-70岁':[num60,num61,num62]})
print(dataplot)
dataplot.plot(x='分类', kind='bar')
plt.xticks(rotation=360)
plt.ylabel('人数（人）', fontproperties='simhei')
plt.title("不同血压情况下的年龄分布")
plt.legend()
plt.show()

目标：统计糖尿病患者中，不同血压范围（低血压、正常血压、高血压）在各年龄段的人数。
血压分组 ：
- 低血压（≤60 mmHg）
- 血压正常（60-90 mmHg）
- 高血压（>90 mmHg）
年龄分组 ：
- 21-30岁
- 31-40岁
- 41-50岁
- 51-60岁
- 61-70岁
实现方式 ：
- 通过循环遍历每一行数据，手动统计每个血压和年龄组合的人数。
- 使用多个变量（如 num20, num21 等）记录计数结果。
- 最后将结果整理成表格并绘制柱状图。

优化代码：

python 复制代码

# 筛选糖尿病患者
diabetic_data = data[data['Outcome'] == 1].copy()

# 创建血压分组
bp_bins = [0, 60, 90, float('inf')]
bp_labels = ['低血压', '血压正常', '高血压']
diabetic_data['血压分组'] = pd.cut(diabetic_data['BloodPressure'], 
                                 bins=bp_bins, 
                                 labels=bp_labels)

# 创建年龄分组
age_bins = [20, 30, 40, 50, 60, 70]
age_labels = ['21-30岁', '31-40岁', '41-50岁', '51-60岁', '61-70岁']
diabetic_data['年龄分组'] = pd.cut(diabetic_data['Age'], 
                                 bins=age_bins, 
                                 labels=age_labels)

# 创建交叉表
cross_tab = pd.crosstab(diabetic_data['血压分组'], diabetic_data['年龄分组'])
print(cross_tab)

# 绘制分组柱状图
ax = cross_tab.plot(kind='bar', figsize=(12, 8), rot=0)
plt.title("糖尿病患者血压与年龄分布", fontsize=14)
plt.ylabel("人数（人）")
plt.xlabel("血压分类")
plt.legend(title="年龄段")

# 添加数据标签
for p in ax.patches:
    height = p.get_height()
    if height > 0:  # 只添加非零值的标签
        ax.annotate(f"{int(height)}", 
                    (p.get_x() + p.get_width() / 2, height), 
                    ha='center', va='bottom', xytext=(0, 3),
                    textcoords='offset points')
                    
plt.tight_layout()
plt.show()

代码分析：

简化数据处理：
- 使用 pd.cut() 函数代替手动分类，更高效且不易出错
- 直接筛选糖尿病患者 (data[data['Outcome'] == 1])
改进分组逻辑：
- 血压分组：
  - 低血压 (≤60 mmHg)
  - 血压正常 (60-90 mmHg)
  - 高血压 (>90 mmHg)
- 年龄分组：
  - 21-30岁
  - 31-40岁
  - 41-50岁
  - 51-60岁
  - 61-70岁
高效计数：
- 使用 pd.crosstab() 创建交叉表，替代手动计数变量
- 自动处理分组间的计数关系
可视化优化：
- 添加数据标签，提高图表可读性
- 优化图例标题 ("年龄段")
- 调整图表尺寸和布局
- 添加图表标题和轴标签
错误修复：
- 原代码中 continue 语句导致索引错误的问题已解决
- 正确处理边界值 (如 60, 61 的处理)

运行结果：

五、找出对患糖尿病影响最大的因素

python 复制代码

# 找出对患糖尿病影响最大的因素
x = data.iloc[:,0:8]
y = data.iloc[:,8:9]
bestfeatures = SelectKBest(score_func=chi2,k = len(x.columns))
fit = bestfeatures.fit(x,y)
df_scores = pd.DataFrame(fit.scores_)
df_columns = pd.DataFrame(['怀孕次数','口服葡萄糖耐量试验中血浆葡萄糖浓度','舒张压','三头肌组织褶厚度','2小时血清胰岛素','身体质量指数（BMI）','糖尿病系统功能','年龄'])
df_feature_scores = pd.concat([df_scores,df_columns],axis = 1)
df_feature_scores.columns = ["得分","指标"]
df_sort =df_feature_scores.sort_values(by = "得分",ascending= False)
df_sort

数据准备：

python 复制代码

x = data.iloc[:, 0:8]  # 选取前8列作为特征（怀孕次数、血糖等）
y = data.iloc[:, 8:9]  # 选取第9列（Outcome）作为目标变量

x：包含所有特征（自变量）。
y：包含标签（因变量，是否患糖尿病）。

卡方检验：

python 复制代码

bestfeatures = SelectKBest(score_func=chi2, k=len(x.columns))
fit = bestfeatures.fit(x, y)

SelectKBest：选择得分最高的 k 个特征。
score_func=chi2：使用卡方检验计算特征重要性（适用于分类问题）。
k=len(x.columns)：评估所有特征，不进行筛选。

整理结果：

python 复制代码

df_scores = pd.DataFrame(fit.scores_)  # 卡方检验得分
df_columns = pd.DataFrame(['怀孕次数', '葡萄糖浓度', '舒张压', '皮肤厚度', 
                         '胰岛素', 'BMI', '糖尿病遗传函数', '年龄'])
df_feature_scores = pd.concat([df_scores, df_columns], axis=1)
df_feature_scores.columns = ["得分", "指标"]

排序输出：

python 复制代码

df_sort = df_feature_scores.sort_values(by="得分", ascending=False)

按得分从高到低排序，得分越高表示特征对糖尿病的影响越大。

卡方检验的原理

用途：检验分类变量之间的独立性（此处是特征与糖尿病结果的关联性）。
得分计算：卡方统计量越高，特征与目标变量的相关性越强。
适用条件：特征必须是非负的（如计数、频率、二值化数据）。如果数据包含负数或连续值，需先进行分箱（离散化）。

运行结果：

糖尿病数据分析：血压与年龄关系可视化

一、查看数据信息

二、 绘制箱线图查看异常值

三、将0值用平均值替换

四、查看不同年龄段血压情况，多重柱状图---血压

五、找出对患糖尿病影响最大的因素

卡方检验的原理

二、绘制箱线图查看异常值