利用Python进行心脏病患者特征分析

今天要跟大家说到的一个数据集分析，是关于心脏病的。心脏病作为全球第一大杀手，是我们不得不提前防御的疾病。今天我们利用Python从一份心脏病数据集中找出一些规律，看下哪些特征对于确诊心脏病影响比较大，从而提醒我们注意平时的生活规律。

数据集介绍

数据分析之前，先得有数据集，首先先来介绍一下这份kaggle上下载的数据集。

对其中的字段进行分析：

1. age：年龄。
2. sex：性别（1：男，0：女）
3. cp：疼痛类型（1：典型心绞痛，2：非典型心绞痛，3：非心绞痛，4：没有症状（不痛））
4. trestbps：静息血压。
5. chol：胆固醇。
6. fbs：血糖（>120mg/dl为1，否则为0）
7. restecg：心电图（0：正常，1：异常，2：严重）
8. thalach：达到的最高心率。
9. exang：运动诱发心绞痛（1：是的，0：不是）
10. oldpeak：运动相对于休息引起的ST期抑郁
11. slope：运动高峰的心电图（1：上坡，2：平和，3：下坡）
12. ca：主要血管数目(0-3)
13. thal：地中海贫血（3：普通。6：固定的缺陷，7：可逆的缺陷）。
14. target：心脏疾病诊断（0：没有心脏病，1：有心脏病）

这份数据集，记录的都是生理的特征，但是我们可以根据这些特征，来反向关注生活习惯。比如胆固醇，蛋黄、猪肝都是引起胆固醇过高的食物，如果我们后面分析后，发现胆固醇过高会引起心脏病，那么平时就要注意少吃这些食物了。

数据分析-性别特征

接下来对这个数据集进行一波分析了，我们尽可能多的分析某些特征对于心脏病的影响。需要说一下，这里我们用到的依然是pandas+seaborn的技术栈（需要完整代码私信“心脏病”即可获取）。先来看下性别比例吧：

# 性别因素
gender_dist = df['sex'].value_counts()
plt.pie(gender_dist.values,labels=['男','女'],autopct="%.2f%%")
print(gender_dist)
>> 1    207
>> 0     96

其中男性207，女性96，男性的占到了接近70%了。但这个并不是有70%的男性得了心脏病，而是这份数据集的男女比例。那接下来再来看下，不同的性别患心脏病的分布情况。代码如下：

fig,axes = plt.subplots(1,3,figsize=(15,4))
g_target_dist = df.groupby(['sex','target']).count()['age'].unstack()

# 患病柱状图
ax1 = sns.countplot(x="sex",hue='target',data=df,ax=axes[0])
ax1.set_xlabel("性别")
ax1.set_xticklabels(['女','男']