科大讯飞x Datawhale糖尿病遗传风险检测挑战赛

发布时间:2023-02-22 17:30

糖尿病遗传风险检测挑战赛

任务1:报名比赛

  1. 步骤1:报名比赛http://challenge.xfyun.cn/topic/info?type=diabetes&ch=ds22-dw-zmt05
  2. 下载比赛数据(点击比赛页面的赛题数据)
  3. 解压比赛数据,并使用pandas进行读取;
  4. 步骤4:查看训练集和测试集字段类型,并将数据读取代码写到博客;
    代码:
train=pd.read_csv(r'D:\桌面\科大讯飞赛事\糖尿病遗传风险预测挑战赛公开数据\train.csv',encoding='gbk')
test=pd.read_csv(r'D:\桌面\科大讯飞赛事\糖尿病遗传风险预测挑战赛公开数据\test.csv',encoding='gbk')
train.head()
科大讯飞x Datawhale糖尿病遗传风险检测挑战赛_第1张图片

任务2:比赛数据分析

  1. 步骤1:统计字段的缺失值,计算缺失比例;
    首先通过data.info()观察训练集和测试集字段信息,可以看到均只在舒张压字段存在缺失值,缺失比例大概在5%。
train.info()
test.info()

科大讯飞x Datawhale糖尿病遗传风险检测挑战赛_第2张图片科大讯飞x Datawhale糖尿病遗传风险检测挑战赛_第3张图片
科大讯飞x Datawhale糖尿病遗传风险检测挑战赛_第4张图片

  1. 步骤2:分析字段的类型
    ‘编号’:一个标识个体身份的数字,没有实际意义。
    ‘性别’:1表示男性,0表示女性,共两类,为类别变量。
    ‘出生年份’:出生的年份,为类别变量。
    ‘体重指数’,:即BMI指数,为连续变量。
    ‘糖尿病家族史’:标识糖尿病的遗传特性,记录家族里面患有糖尿病的家属,分成三种标识,分别是父母有一方患有糖尿病、叔叔或者姑姑有一方患有糖尿病、无记录,共三类,为类别变量。
    ‘舒张压’:心脏舒张时,动脉血管弹性回缩时,产生的压力称为舒张压,单位mmHg,为连续变量。
    ‘口服耐糖量测试’:诊断糖尿病的一种实验室检查方法。比赛数据采用120分钟耐糖测试后的血糖值,单位mmol/L,为连续变量。
    ‘胰岛素释放实验’:空腹时定量口服葡萄糖刺激胰岛β细胞释放胰岛素。比赛数据采用服糖后120分钟的血浆胰岛素水平,单位pmol/L,为连续变量。
    ‘肱三头肌皮褶厚度’:在右上臂后面肩峰与鹰嘴连线的重点处,夹取与上肢长轴平行的皮褶,纵向测量,单位cm,为连续变量。
    ‘患有糖尿病标识’:数据标签,1表示患有糖尿病,0表示未患有糖尿病,共两类,为类别变量。

  2. 步骤3:计算字段相关性

#计算字段相关性
a = train.drop('编号',axis=1)
a.corr()
#绘制热力图进行可视化
plt.figure(figsize=(8, 6),dpi=200)  
column = a.columns.tolist()  
mcorr = a[column].corr(method="spearman")  
mask = np.zeros_like(mcorr, dtype=np.bool)  
mask[np.triu_indices_from(mask)] = True  
cmap = sns.diverging_palette(220, 10, as_cmap=True)  
g = sns.heatmap(mcorr, mask=mask, cmap=cmap, square=True, annot=True, fmt='0.2f')  
plt.show()
#输出与标签列相关性绝对值大于0.1的特征
mcorr=mcorr.abs()
numerical_corr=mcorr[mcorr['患有糖尿病标识']>0.1]['患有糖尿病标识']
print(numerical_corr.sort_values(ascending=False))
科大讯飞x Datawhale糖尿病遗传风险检测挑战赛_第5张图片 科大讯飞x Datawhale糖尿病遗传风险检测挑战赛_第6张图片 科大讯飞x Datawhale糖尿病遗传风险检测挑战赛_第7张图片

ItVuer - 免责声明 - 关于我们 - 联系我们

本网站信息来源于互联网,如有侵权请联系:561261067@qq.com

桂ICP备16001015号