我們都很害怕生病，但感冒發燒這種從小到大的疾病我們已經麻木了，因為一星期他就會好，但是隨著長大，各種發炎、三高、心臟病、冠心病響應而生。

[[315578]]

心臟病作為一種發作起來讓人看了就覺得恐怖的疾病，每年不知道奪走多少生命。而那些患病健在的人們也必須在自己后續的生命里割舍太多東西，以防止心臟病發作。

沒有得病的時候，我們永遠覺得它離自己很遠。我對心臟病的認知就是這樣，我不知道它患病的原因，也不知哪些原因會引起心臟病。而患病后如何保持正常生活等等，一概不知。

今天在kaggle上看到一個心臟病數據(數據集下載地址和源碼見文末)，那么借此深入分析一下。

數據集讀取與簡單描述

首先導入library和設置好超參數，方便后續分析。

 

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

通過對數據集讀取和描述可以得到這兩個表格：

 

可以看到有303行14列數據，每列的標題是age、sex、cp、……、target。他們就像每次去醫院的化驗單，非專業人士很多都不認識。所以利用官方的解釋翻譯后含義如下：

• age: 該朋友的年齡
• sex: 該朋友的性別 (1 = 男性, 0 = 女性)
• cp: 經歷過的胸痛類型(值1：典型心絞痛，值2：非典型性心絞痛，值3：非心絞痛，值4：無癥狀)
• trestbps: 該朋友的靜息血壓(入院時的毫米汞柱)
• chol: 該朋友的膽固醇測量值，單位 ：mg/dl
• fbs: 人的空腹血糖(> 120 mg/dl，1=真;0=假)
• restecg: 靜息心電圖測量(0=正常，1=患有ST-T波異常，2=根據Estes的標準顯示可能或確定的左心室肥大)
• thalach: 這朋友達到的最大心率
• exang: 運動引起的心絞痛(1=有過;0=沒有)
• oldpeak: ST抑制，由運動引起的相對于休息引起的(“ ST”與ECG圖上的位置有關。這塊比較專業，可以點這個看一個解讀)
• slope: 最高運動ST段的斜率(值1:上坡，值2:平坦，值3:下坡)
• ca: 螢光顯色的主要血管數目(0-4)
• thal: 一種稱為地中海貧血的血液疾病(3=正常;6=固定缺陷;7=可逆缺陷)
• target: 心臟病(0=否，1=是)

所以這些信息里都是患病或者健康者的一些身體指標，并沒有和他是否抽煙、是否熬夜、是否遺傳、是否作息規律那些東西，因此找不到指導現在我們生活的點，比如說明要戒煙戒酒那些東西。

順手送上一篇知乎鏈接 此外上邊只是我通過原版數據集給的解讀翻譯的，如有出錯誤，歡迎糾正

拿到一套數據首先是要看看這個數據大概面貌~

男女比例

先看看患病比率，男女比例這些常規的

 

countNoDisease = len(data[data.target == 0]) 
countHaveDisease = len(data[data.target == 1]) 
countfemale = len(data[data.sex == 0]) 
countmale = len(data[data.sex == 1]) 
print(f'沒患病人數:{countNoDisease }',end=' ,') 
print("沒有得心臟病比率: {:.2f}%".format((countNoDisease / (len(data.target))*100))) 
print(f'有患病人數:{countHaveDisease }',end=' ,') 
print("患有心臟病比率: {:.2f}%".format((countHaveDisease / (len(data.target))*100))) 
print(f'女性人數:{countfemale }',end=' ,') 
print("女性比例: {:.2f}%".format((countfemale / (len(data.sex))*100))) 
print(f'男性人數:{countmale }',end=' ,') 
print("男性比例: {:.2f}%".format((countmale   / (len(data.sex))*100))) 

上邊代碼得到的答案如下，乍看上去男的多于女的，但前提是這個數據只是這個300人的樣本展示，不代表全人類

沒患病人數:138 ,沒有得心臟病比率: 45.54%

有患病人數:165 ,患有心臟病比率: 54.46%

女性人數:96 ,女性比例: 31.68%

男性人數:207 ,男性比例: 68.32%

 

除了用餅圖看這個面貌，還可以同時看一下

 

fig, ax =plt.subplots(1,3)  #2個子區域 
fig.set_size_inches(w=15,h=5)   # 設置畫布大小 
sns.countplot(x="sex", data=data,ax=ax[0]) 
plt.xlabel("性別 (0 = female, 1= male)") 
sns.countplot(x="target", data=data,ax=ax[1]) 
plt.xlabel("是否患病 (0 = 未患病, 1= 患病)") 
sns.swarmplot(x='sex',y='age',hue='target',data=data,ax=ax[2]) 
plt.xlabel("性別 (0 = female, 1= male)") 
plt.show() 

從這三聯圖可以看到男性1多余女性0，患病target1多于未患病0，在年齡分布提琴圖里可以看到女性患者比例多于男性患者比例。

其中比列詳細拆解一下，見下方代碼和圖示：

 

pd.crosstab(data.sex,data.target).plot(kind="bar",figsize=(15,6),color=['#30A9DE','#EFDC05' ]) 
plt.title('各性別下患病圖示') 
plt.xlabel('性別 (0 = 女性, 1 = 男性)') 
plt.xticks(rotation=0) 
plt.legend(["未患病", "患有心臟病"]) 
plt.ylabel('人數') 
plt.show() 

 

可以看到這個數據集中女性患者數是健康數的3倍多。留下一個疑問，心臟病女性更容易得嘛?百度了一下，發現這個問題提問的人不少，但沒有具體很科學的回答。google也同樣如此。可能要找到這個答案需要再去找一找文獻，但不是本文目的，因此沒有去尋找這個真實比例。

在這個數據集中，男性多于女性一倍，分別207和96人;患病患者稍微多余未患病患者，患病165，138人。因為年齡可能是連續的，因此在第三幅圖做年齡、性別、患病關系圖，單從顏色觀察可發現在這個數據集中，女性患病率大于男性。通過第四圖和統計可以計算得到，男性患病率44.9% ，女性患病率75%。

需要注意，本文得到的患病率只是這個數據集的。

年齡和患病關系

通過以下代碼來看一看：隨著年齡增長患病比率有沒有變化

(現在寫這個文章的時候我才想到，可能即使有變化也沒有意義，還是樣本有限，如果這個樣本空間覆蓋再提升1000倍才能說明一些問題吧——即年齡和患有心臟病的關系)

 

pd.crosstab(data.age,data.target).plot(kind="bar",figsize=(25,8)) 
plt.title('患病變化隨年齡分布圖') 
plt.xlabel('歲數') 
plt.ylabel('比率') 
plt.savefig('heartDiseaseAndAges.png') 
plt.show() 

輸出的圖像如下：就這張圖來說37-54歲患病人數多于未患病人數，年齡再繼續升高后有沒有這個規律了，在70+歲后患病人數又增加，這條僅能作為數據展示，不能作為結論。

 

 

 

 

數據集中還有很多維度可以組合分析，下邊開始進行組合式探索分析

年齡-心率-患病三者關系

在這個數據集中，心率的詞是‘thalach’，所以看年齡、心率、是否患病的關系。

 

# 散點圖 
plt.scatter(x=data.age[data.target==1], y=data.thalach[(data.target==1)], c="red") 
plt.scatter(x=data.age[data.target==0], y=data.thalach[(data.target==0)], c='#41D3BD') 
plt.legend(["患病", "未患病"]) 
plt.xlabel("年齡") 
plt.ylabel("最大心率") 
plt.show() 
# 再畫個提琴圖 
sns.violinplot(x=data.target,y=data.trestbps,data=data) 
plt.show() 

 

 

 

看到30歲心跳200那個點，嚇我一跳，如果心臟病不是病，那200這個速度太讓人膜拜了。

可以看到的是心跳速度患病的大概集中在140-200bpm之間。這個數據比未患病的人普遍高一些，從提琴圖上也可以看到這個值分布比健康人高一些且更集中。

年齡和血壓(trestbps)分布關系大家都知道體檢的時候血壓是常規測試項目，那么我想血壓和年齡有什么關系嗎?有沒有心臟病和年齡有關系嗎?

來做個圖看一下。并嘗試用不同的顏色區分。

 

plt.scatter(x=data.age[data.target==1], y=data.trestbps[data.target==1], c="#FFA773") 
plt.scatter(x=data.age[data.target==0], y=data.trestbps[data.target==0], c="#8DE0FF") 
plt.legend(["患病",'未患病']) 
plt.xlabel("年齡") 
plt.ylabel("血壓") 
plt.show() 

 

看上去隨著年齡增長，血壓更飄了?從這個結果可以看到的是，靜息血壓患病人和未患病的人在血壓方面都是均勻分布的，隨著年齡增長也沒有明顯的分層變化。所以并不能直接從靜息血壓很好的判斷出是否患心臟病。

那么血壓與其他什么有關呢?

比如心率?好，來看看。

血壓(trestbps)和心率(thalach)關系

血壓、心率這兩個都來自于心臟的動能，相當于發動機力量和發動機轉速。我猜這倆有點關系，一起看看

 

plt.scatter(x=data.thalach[data.target==1], y=data.trestbps[data.target==1], c="#FFA773") 
plt.scatter(x=data.thalach[data.target==0], y=data.trestbps[data.target==0], c="#8DE0FF") 
plt.legend(["患病",'未患病']) 
plt.xlabel("心率") 
plt.ylabel("血壓") 
plt.show() 

現實情況是，這個樣本集中，除了能顯示出患病新率高這個已有結果外，血壓和心率沒有相關性。

胸痛類型和心臟病、血壓三者關系

表中有個數據是胸痛類型四個，分別是0123，他們和心臟病有關系嗎，作圖看看。

此外這塊我要說的是，我上邊的翻譯是1 典型、2非典型、3非心絞痛、4無癥狀。

但是數據集中是0123 ，我再kaggle里看了很多人的作品，沒有合理解釋這個的，所以這個數據我只可視化展示，不分析。

 

sns.swarmplot(x='target',y='trestbps',hue='cp',data=data, size=6) 
plt.xlabel('是否患病') 
plt.show() 

 

 

fig,ax=plt.subplots(1,2,figsize=(14,5)) 
sns.countplot(x='cp',data=data,hue='target',palette='Set3',ax=ax[0]) 
ax[0].set_xlabel("胸痛類型") 
data.cp.value_counts().plot.pie(ax=ax[1],autopct='%1.1f%%',explode=[0.01,0.01,0.01,0.01],shadow=True, cmap='Blues') 
ax[1].set_title("胸痛類型") 

 

結論是：從上圖可以看到的是0類疼痛的人在非患病群體中占大多數，而在患病群體中，123三種胸痛的人占了大部分。

運動引起的心絞痛與患病、心率關系

承接胸痛類型，運動引起心絞痛與是否患病有沒有關系呢?與心率有沒有關系呢?作圖看一下

PS:運動引起心絞痛(exang: 1=有過;0=沒有)

 

sns.swarmplot(x='exang',y='thalach',hue='target',data=data, size=6) 
plt.xlabel('有沒有過運動引起心絞痛') 
plt.ylabel('最大心率') 
plt.show() 

 

得到的這個圖像很有意思!

雖然最大心率是入院時候測的，但是在沒有運動引起心絞痛的人中，最大心率集中度比較高，在160-180之間，而他們都患有心臟病。

我推測是：他們有心臟病，運動就難受，所以就不運動，所以根本不會有“運動時產生胸痛”這種問題。

而在運動中產生胸痛的人中(右邊為1的)他們有很多產生過胸痛，這種人心率比較高，在120-150之間集中著，而其中很多人并沒有心臟病，只是心率比較高。

大血管數量(ca)和血壓(trestbps)、患病關系

 

plt.figure(figsize=(15,5)) 
sns.swarmplot(y='trestbps',data=data,x='ca',hue='target',palette='RdBu_r',size=7) 
plt.xlabel('大血管數量') 
plt.ylabel('靜息血壓') 
plt.show() 

 

 

plt.figure(figsize=(15,5)) 
sns.catplot(x="ca", y="age", hue="target", kind="swarm", data=data, palette='RdBu_r') 
plt.xlabel('大血管顯色數量') 
plt.ylabel('年齡' 

 

這個血管數量指銀光顯色。具體醫學含義沒搜到，所以不分析。只是為0的和患病有很大的相關性

年齡(age)和膽固醇(chol)關系

在我初高中的時候，我媽媽告訴我說，每天雞蛋黃不要超過兩個，不然會引起膽固醇高，那時候身體健康，從來不信這些話。我后來上大學了連每天一個都沒保證住，但我記住了這句話，所以看到膽固醇三個字會想起這個家庭教育哈哈。

膽固醇側面反映了血脂，那么下邊生成一下膽固醇、年齡、患病三者關系散點圖。為了區分，這次我又換了個顏色。

 

plt.scatter(x=data.age[data.target==1], y=data.chol[data.target==1], c="orange") 
plt.scatter(x=data.age[data.target==0], y=data.chol[data.target==0], c="green") 
plt.legend(["患病",'未患病']) 
plt.xlabel("年齡") 
plt.ylabel("膽固醇") 
plt.show() 
# 箱型圖 
sns.boxplot(x=data.target,y=data.chol,data=data) 

 

 

在這個樣本集中，患病者和非患病者膽固醇含量分布沒有明顯的分層現象，箱型圖顯示結果是合理上下限是一樣的，只是25%、50%、75%三條線患病的人稍微稍微低一些。

結論就是膽固醇并不能直接反映有沒有心臟病這件事。

相關性分析

分析了很多，那么哪些和患病相關的，而數據間又有啥關系呢?做個圖看看,顏色越綠越相關，越紅越負相關

 

plt.figure(figsize=(15,10)) 
ax= sns.heatmap(data.corr(),cmap=plt.cm.RdYlBu_r , annot=True ,fmt='.2f') 
a,b =ax.get_ylim() 
ax.set_ylim(a+0.5,b-0.5) 

 

圖像很好看對不對，只看最后一行，是否患病和cp、thalach、slope正相關，和exang、oldpeak、ca、thal等負相關。

本篇分析了心臟病數據集中的部分內容，14列其實有非常多的組合方式去分析。此外本文沒有用到模型，只是數據可視化的方式進行簡要分析。

本文中由于圖片過大，在手機瀏覽可能看不清楚，故開源了代碼，歡迎大家自己動手可視化試試。