心脏病跟什么有关？数据分析帮你看看
众所周知，心脏病已经成为人类健康的三大杀手之一。
随着父母岁数慢慢的变大了，身体也容易不好，身边的老人们在体检的时候，很多都发现了心脏不太好的情况。
因此逗汁儿就去KAGGLE上找了个心脏病的数据集，做探索性数据分析，简单的研究一下心脏病与哪些因素有关。
初步观察数据
这个数据集很小，仅有303行。我们来看一下数据吧~
首先导入相关的库，因为后续还要作图进行分析，我们就按照惯例给肯定需要用的库包括绘图库都导入。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
为了让jupyter里面显示出来图，千万不要忘记加这一行代码：
%matplotlib inline
读取数据，看下前十行：
df =pd.read_csv("E:\heart.csv")
df.head(10)
这里一共显示了14个字段，分别看一下这些字段代表的意思。
age:代表患者年龄，以年为单位。
sex:代表患者性别，1为男性，0为女性。
cp:胸痛类型，具体类型未说明
trestbps：入院前的静息血压，单位为毫米汞柱
chol:患者血清胆固醇含量，单位mg/dl
fbs:患者空腹血糖大于120mg/dl，1为是，0为否
restecg：静态心电图结果
thalach:达到最大的心率值
exang：运动诱发心绞痛，1为是，0为否。
oldspeak：相对于休息来说运动引起的ST段抑制
slope: 运动引起的ST段最高值斜率
ca: 通过荧光检测技术显示出来的主要血管数量（0-3）
thal:1为正常，2为固定缺陷，3为可逆缺陷。
target：0或1为是否患病
下面就看一下数据的主要信息
df.info
可以看到每个字段的数据都非常完整，没有缺失的字段，数据类型也主要以整数型为主，其中一个是浮点型。
在这组数据中，有年龄等相关指标，我们来看看这些指标的平均值，最大最小值等常规统计学数据。
df.describe
我们可以看到，平均年龄在54岁左右，最小的年龄在29岁，最大的年龄在77岁。因此这个数据集中，主要选取的是中老年人。
count数值代表并无空值，这个上面分析的时候也已经看到了~。
下面我们就对这些数据进行一下可视化分析。
相关数据的可视化分析
首先看下热图，整体看一下相关性
plt.figure(figsize=(10,8))
sns.heatmap(df.corr,annot=True,cmap='YlGnBu',fmt='.2f',linewidths=2)
从热图上来看，只有cp,thalach,slope这三个指标与患病的相关性相对偏高，但是并不大。
看下患病人数有多少人，整个数据集中年龄集中在哪个段呢？
df['target'].value_counts
sns.distplot(df['age'],color='Red')
303个数据中，有165个患病者…比例超过了一半。
大多数的人年龄都在40-70岁左右，偏向于中老年。
01 年龄与心脏病
fig,ax=plt.subplots(figsize=(24,6))
plt.subplot(1,3, 1)
age_bins= [20,30,40,50,60,70,80]
df['bin_age']=pd.cut(df['age'],bins=age_bins)
g1=sns.countplot(x='bin_age',data=df,hue='target',palette='plasma')
g1.set_title("Agevs Heart Disease")
大多数的人在45-65左右会经常去进行心脏病的检查，看看是否患有心脏病，也说明大家对于心脏病的还是比较恐惧的，
41-50年龄段的人群患有心脏病的人数较多，而60-70岁的去检查的人中，患病人数相对还会较少。
推测一下，40-50的中年人可能忙于工作等事情，去检查的人可能大多都是感觉身体出现了不适的情况，才去检查，所以患病人数占比较大。
02 性别与心脏病
fig,ax=plt.subplots(figsize=(16,6))
plt.subplot(121)
s1=sns.boxenplot(x='sex',y='age',hue='target',data=df,palette='YlGn')
s1.set_title("Figure 1")
通过箱线图可以看到大多数女性患者年龄在40-70左右，男性患者大多在40-60岁，是否说明老年男性患病的可能性比老年女性患病的可能性小呢？
03 胸痛和心脏病
胸痛和心脏病在刚才的热图上看，相关性相对于其他因素来说是比较大的，那我们具体看一下。
fig,ax=plt.subplots(figsize=(24,6))
plt.subplot(131)
x1=sns.countplot(x='cp',data=df,hue='target',palette='spring')
x1.set_title('Chestpain type')
从图上可以看出，胸痛2型患有心脏病的概率最大。胸痛和不胸痛来看，胸痛的时候患有心脏病的概率大。
看一下年龄和胸痛有没有关系？
fig,ax=plt.subplots(figsize=(16,6))
sns.pointplot(x='age',y='cp',data=df,color='Lime',hue='target')
plt.title('Age vs Cp')
从这里看心脏病患者都具有较高的cp值，但是在45-49这段比较反常。
04 血清胆固醇的含量与心脏病
下面分析一下血清胆固醇的含量与心脏病的关联，从导致疾病的机理来看，长期的高血脂会造成血管内皮损伤，血管通透性增加等情况出现，增大了患有心血管疾病的可能性。
fig,ax=plt.subplots(figsize=(24,6))
plt.subplot(1,3, 2)
cho_bins= [100,150,200,250,300,350,400,450]
df['bin_chol']=pd.cut(df['chol'],bins=cho_bins)
g2=sns.countplot(x='bin_chol',data=df,hue='target',palette='plasma')
g2.set_title("Cholestoralvs Heart Disease")
血清胆固醇含量在201-250之间心脏病患病人数较多，而高于250后心脏病患病人数反而下降。
05 心率与心脏病
fig,ax=plt.subplots(figsize=(24,6))
plt.subplot(1, 3, 3)
thal_bins = [60,80,100,120,140,160,180,200,220]
df['bin_thalach']=pd.cut(df['thalach'], bins=thal_bins)
g3=sns.countplot(x='bin_thalach',data=df,hue='target',palette='plasma')
g3.set_title("Thalach vs Heart Disease")
从最大心率可以看出，最大心率在140-180之间的人，患有心脏病的风险最高。
年龄和最大心率有没有啥相关性呢？
fig,ax=plt.subplots(figsize=(16,6))
sns.lineplot(y='thalach',x='age',data=df,hue="target",style='target',palette='magma',markers=True,dashes=False,err_style="bars", ci=68)
plt.title('Agevs Thalach')
从这个图可以看出来，每个年龄段患有心脏病的患者，最大心率都相对较高。随着年龄的增大，最大心率会下降，这可能和年龄增加，身体机能下降有关。
06 thal字段数据
根据所给信息 thal字段有 3 7 9 三个数值分别代表正常，固定缺陷，可逆缺陷，但是thal数值中并未出现这三个值，反之有0,1,2,3四种值。这让我感觉很疑惑。可能是数据源提供的信息出现些问题？
但是根据thal的图来看thal值为2的患有心脏病的概率最高。
我们看一下男性患者和女性患者和thal值有什么相关性没。
sns.pointplot(x='sex',y='thal',data=df,hue='target',markers=["o","x"],linestyles=["-","--"],capsize=.2,palette='coolwarm')
不管是男性还是女性，未患病的thal值均较高。而患病者中，男性的thal值会比女性的thal值高。
slope值代表运动后ST段的斜率，心电图中，如果ST段异常变大说明心脏可能出现了心肌缺血的问题，先看下slope值和患病有什么关系。
fig,ax=plt.subplots(figsize=(24,6))
plt.subplot(133)
x3=sns.countplot(x='slope',data=df,hue='target',palette='spring')
x3.set_title('slopeof the peak exercise ST segment')
可以看到slope值为2的人群患心脏病的可能性比较大。
看下运动后ST段的斜率和相对于休息时候ST段抑制有没有什么相关性
我们可以看到随着slope值的减小，oldpeak值也逐渐减小，并且我们可以发现心脏病患者的oldpeak值均相对健康人群oldpeak值低。
好了，我们分析了年龄、cp、thalach、slope这四个字段以及它们和别的字段结合与患病的相关性。
本文参考了kaggle上大神的代码~和分析思路~云感谢大佬们~
推荐阅读：