python大數(shù)據(jù)分析
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
!pip install xgboost
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.preprocessing import LabelEncoder
import warnings
import xgboost
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor,RandomForestClassifier
from sklearn.metrics import confusion_matrix, classification_report, accuracy_score
warnings.filterwarnings('ignore')
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
df = pd.read_csv('/home/mw/input/data1581/Sleep_health_and_lifestyle_dataset.csv',encoding='gbk')
df.head()
df.info()
df.duplicated().sum()df_new = df.copy()cat_cols = []for each in df_new.columns.tolist():
if df_new[each].dtype == 'object' and each != '血壓':
cat_cols.append(each)
print(df_new[each].value_counts().to_frame())
le = LabelEncoder()
le.fit(df_new[col])
df_new[col] = le.transform(df_new[col])df_new.head()xueya = df_new['血壓'].str.split('/',expand=True)
xueya.columns = ['高壓','低壓']
xueya = xueya.astype(int)df_new = pd.concat([df_new,xueya],axis=1)df_new.info()plt.figure(figsize=(12,8))
sns.countplot(x='性別',hue='職業(yè)',data=df,palette='Set3')
plt.title('男女及從事職業(yè)情況',fontsize=20)
plt.show()plt.figure(figsize=(12,8))
sns.countplot(x='性別',hue='睡眠障礙',data=df,palette='Set3')
plt.title('男女睡眠障礙情況',fontsize=20)
plt.show()plt.figure(figsize=(12,8))
sns.countplot(x='性別',hue='BMI',data=df,palette='Set3')
plt.title('男女BMI情況',fontsize=20)
plt.show()plt.figure(figsize=(12,8))
plt.hist(df['年齡'],density=True,bins=15,color=plt.cm.RdBu(0.6),edgecolor=plt.cm.RdBu(0.7))
df['年齡'].plot(kind = 'kde')
plt.title('年齡分布',fontsize=20)
plt.show()df['年齡'].min(),df['年齡'].max()plt.figure(figsize=(12,8))
plt.hist(df['睡眠時長'],density=True,bins=15,color=plt.cm.RdBu(0.6),edgecolor=plt.cm.RdBu(0.7))
df['睡眠時長'].plot(kind = 'kde')
plt.title('睡眠時間分布',fontsize=20)
plt.show()plt.figure(figsize=(12,8))
plt.hist(df['睡眠質量'],density=True,bins=6,color=plt.cm.RdBu(0.6),edgecolor=plt.cm.RdBu(0.7))
df['睡眠質量'].plot(kind = 'kde')
plt.title('睡眠質量分布',fontsize=20)
plt.show()plt.figure(figsize=(12,8))
plt.hist(df['心率'],density=True,bins=15,color=plt.cm.RdBu(0.6),edgecolor=plt.cm.RdBu(0.7))
df['心率'].plot(kind = 'kde')
plt.title('心率分布',fontsize=20)
plt.show()plt.figure(figsize=(12,8))
plt.hist(df_new['高壓'],density=True,bins=15,color=plt.cm.RdBu(0.6),edgecolor=plt.cm.RdBu(0.7),label='高壓')
df_new['高壓'].plot(kind = 'kde',label='高壓')
plt.hist(df_new['低壓'],density=True,bins=15,color=plt.cm.RdBu(0.3),edgecolor=plt.cm.RdBu(0.2),label='低壓')
df_new['低壓'].plot(kind = 'kde',label='低壓')
plt.title('血壓分布',fontsize=20)
plt.legend()
plt.show()df_new['高壓'].max(),df_new['高壓'].min(),df_new['低壓'].min(),df_new['低壓'].max()plt.figure(figsize=(12,8))
plt.hist(df['身體活動水平'],density=True,bins=15,color=plt.cm.RdBu(0.6),edgecolor=plt.cm.RdBu(0.7))
df['身體活動水平'].plot(kind = 'kde')
plt.title('身體活動水平分布',fontsize=20)
plt.show()df['身體活動水平'].min(),df['身體活動水平'].max()plt.figure(figsize=(12,8))
plt.hist(df['壓力水平'],density=True,bins=15,color=plt.cm.RdBu(0.6),edgecolor=plt.cm.RdBu(0.7))
df['壓力水平'].plot(kind = 'kde')
plt.title('壓力水平分布',fontsize=20)
plt.show()plt.figure(figsize=(12,8))
plt.hist(df['每日步數(shù)'],density=True,bins=15,color=plt.cm.RdBu(0.6),edgecolor=plt.cm.RdBu(0.7))
df['每日步數(shù)'].plot(kind = 'kde')
plt.title('每日步數(shù)分布',fontsize=20)
plt.show()sns.pairplot(df_new[df_new.columns.tolist()[1:]])plt.figure(figsize=(12,12))
plt.imshow(df_new.iloc[:,1:].corr(),cmap='Blues')
plt.xticks(range(len(df_new.iloc[:,1:].corr().columns.tolist())),df_new.iloc[:,1:].corr().columns.tolist(),rotation=45)
plt.yticks(range(len(df_new.iloc[:,1:].corr().columns.tolist())),df_new.iloc[:,1:].corr().columns.tolist(),rotation=45)
plt.colorbar()
plt.show()target = ['睡眠時長','睡眠質量','睡眠障礙']
df_new.drop(columns=['ID'],inplace=True)df_new.drop(columns=['血壓'],inplace=True)for i in range(len(target[:2])):
y = df_new[target[i]]
X = df_new.iloc[:,~df_new.columns.isin(target)]
model = RandomForestRegressor()
model.fit(X,y)
print('在'+ target[i] + '作為因變量時，各因素重要性為：')
plt.figure(figsize=(8,8))
plt.subplot(2,1,i+1)
plt.imshow(model.feature_importances_.reshape(-1,1))
plt.yticks(range(len(X.columns.tolist())),X.columns.tolist())
plt.xticks(range(1))
plt.xlabel(target[i])
plt.colorbar()
plt.show()y = df_new[target[2]]
X = df_new.iloc[:,~df_new.columns.isin(target)]
model1 = RandomForestClassifier()
model1.fit(X,y)
plt.imshow(model1.feature_importances_.reshape(-1,1))
plt.yticks(range(len(X.columns.tolist())),X.columns.tolist())
plt.xticks(range(1))
plt.xlabel(target[2])
plt.colorbar()
plt.show()plt.figure(figsize=(4,8))
sns.boxplot(x='性別',y='身體活動水平',palette='Set3',data=df_new)
plt.title('不同性別身體活動水平的箱型圖分析',fontsize=15)
plt.show()plt.figure(figsize=(4,8))
sns.boxplot(x='性別',y='壓力水平',palette='Set3',data=df_new)
plt.title('不同性別壓力水平的箱型圖分析',fontsize=15)
plt.show()lt.figure(figsize=(4,8))
sns.boxplot(x='性別',y='心率',palette='Set3',data=df_new)
plt.title('不同性別心率的箱型圖分析',fontsize=15)
plt.show()plt.figure(figsize=(12,8))
sns.boxplot(x='性別',y='高壓',palette='Set3',data=df_new)
sns.boxplot(x='性別',y='低壓',palette='Set3',data=df_new)
plt.title('不同性別血壓的箱型圖分析',fontsize=15)
plt.show()X = df_new.drop(columns=['睡眠障礙'])
y = df_new[['睡眠障礙']]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, train_size=0.7, random_state=42)model2 = xgboost.XGBClassifier()
model2.fit(X_train, y_train)y_pred = model2.predict(X_test)df_new['睡眠障礙'].unique()cm = confusion_matrix(y_test, y_pred)label_mapping = {0:'失眠',1:'無',2:'睡眠呼吸暫停'}
for i, true_label in enumerate(label_mapping):
row = ''
for j, pred_label in enumerate(label_mapping.values()):
row += f'{cm[i, j]} ({pred_label})t'
print(f'{row} | {true_label}')
print(classification_report(y_test, y_pred,target_names=['失眠','無', '睡眠呼吸暫停']))
fig, ax = plt.subplots()
im = ax.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
ax.figure.colorbar(im, ax=ax)
ax.set(xticks=np.arange(cm.shape[1]),
yticks=np.arange(cm.shape[0]),
xticklabels=label_names, yticklabels=label_names,
title='Confusion matrix',
ylabel='True label',
xlabel='Predicted label')
thresh = cm.max() / 2.
for i in range(cm.shape[0]):
for j in range(cm.shape[1]):
ax.text(j, i, format(cm[i, j], 'd'),
ha="center", va="center",
color="white" if cm[i, j] > thresh else "black")
fig.tight_layout()
plt.show()
相關知識
最新國內減肥行業(yè)大數(shù)據(jù)分析.pptx
材料一：國家有關部門根據(jù)學生體質健康數(shù)據(jù)，進行統(tǒng)計分析，全面了解學生健康狀況及變化趨勢，制定了《國家學生體質健康標準》，其中高一男生的正常體重指數(shù)為16.5~23.2。 材料二：體重指數(shù)BMI是國際，上常用來衡量人體肥胖程度的重要標志，
IT知識講解：Python語言中=和==有什么區(qū)別
2016年十大保健品品牌排行榜數(shù)據(jù)分析
國內外健康醫(yī)療大數(shù)據(jù)建設及應用發(fā)展現(xiàn)狀分析
簡答題：身體質量指數(shù)（BMI）是衡量身體健康與否的標準之一?？茖W家經(jīng)過大量的統(tǒng)計、分析，推導出計算公式為：BMI=w/(h×h)，其中w表示體重（單位為千克），
薄荷健康社媒營銷分析報告｜數(shù)據(jù)報告PDF下載
大數(shù)據(jù)為健康醫(yī)療賦效能
中國健康瘦身行業(yè)數(shù)據(jù)分析： 48.8%消費者體重超重原因是生活作息習慣
健康瘦身行業(yè)數(shù)據(jù)分析：2021年中國45.6%網(wǎng)民認為自己超重
網(wǎng)址: python大數(shù)據(jù)分析 http://www.u1s5d6.cn/newsview46260.html
推薦資訊
- 1發(fā)朋友圈對老公徹底失望的心情 12775
- 2BMI體重指數(shù)計算公式是什么 11235
- 3補腎吃什么 補腎最佳食物推薦 11199
- 4性生活姿勢有哪些 盤點夫妻性 10425
- 5BMI正常值范圍一般是多少？ 10137
- 6在線基礎代謝率(BMR)計算 9652
- 7一邊做飯一邊躁狂怎么辦 9138
- 8從出汗看健康 出汗透露你的健 9063
- 9早上怎么喝水最健康？ 8613
- 10五大原因危害女性健康 如何保 7826
