爱数课：idatacourse.cn
类型：医疗
简介：本案例将本案例的数据集关于墨西哥人的饮食习惯以及身体状况，其中包含 17 个字段和 2111 条数据。其中，字段`NObeyesdad`（肥胖程度等级）标记每个人的肥胖程度，被划分为以下七档：体重不足、正常体重、超重级别 I、超重级别 II、肥胖类型 I、肥胖II型和肥胖III型。此案例通过可视化方法，调用`matplotlib`,`seaborn`和`pyecharts`库绘制不同种类的图形，目的是探究影响墨西哥人不同肥胖程度的分布情况以及影响因素。建立机器学习模型对肝病进行自动智能诊断。
数据：
./dataset/ObesityDataSet_raw_and_data_sinthetic.csv
1. 导入数据集与必要的模块
首先，查看各字段的类型以及含义说明。
列名 | 类型 | 含义说明 |
Gender | 字符型 | 性别 |
Age | 浮点型 | 年龄 |
Height | 浮点型 | 身高(m) |
Weight | 浮点型 | 体重(kg) |
family_history_with_overweight | 字符型 | 家庭成员是否患有或患有超重 |
FAVC | 字符型 | 是否经常吃高热量的食物 |
FCVC | 浮点型 | 平时吃饭吃蔬菜的频率 |
NCP | 浮点型 | 一天中进餐次数 |
CAEC | 字符型 | 两餐之间进食情况 |
SMOKE | 字符型 | 是否抽烟 |
CH2O | 浮点型 | 每天喝水量（L） |
SCC | 字符型 | 是否检测每天卡路里 |
FAF | 浮点型 | 运动的频率（天） |
TUE | 浮点型 | 每日使用技术设备的时间 |
CALC | 字符型 | 喝酒的频率 |
MTRANS | 字符型 | 通常使用的交通方式 |
NObeyesdad | 字符型 | 肥胖程度等级 |
import pandas as pd
import numpy as np
# 可视化
import matplotlib.pyplot as plt
import seaborn as sns
from pyecharts.charts import Pie
from pyecharts.commons.utils import JsCode
import pyecharts.options as opts
%matplotlib inline
%config InlineBackend.figure_format = 'svg'
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
import warnings
warnings.filterwarnings('ignore')
首先，读取数据。
data = pd.read_csv('./dataset/ObesityDataSet_raw_and_data_sinthetic.csv')
data.head()
# 查看数据集的基本信息
data.info()
从info()函数结果中可以看出，数据集中共包含2111条数据，没有缺失数据；根据数据的类型可以得知，本数据集包含8个数值型字段与9个非数值型字段。
# 查看描述性统计数据
data.describe(include='all')
通过描述性统计函数describe()可以看出此数据集中连续性数据的均值、标准差、最小值、最大值以及分位数，同时也可以看出离散型数据中不同取值的个数以及其他指标。
通过这些指标，可以对此数据集做一个初步的判断。比如：字段Gender中，Male的人数达到1068人，而总人数为2111人，因此可以初步判断男女的数量较为平均；字段family_history_with_overweight中，回答为yes的人数达到1726人，由于总人数为2111人，因此可以初步判断大部分的人都有家族肥胖历史。
2. 肥胖影响因素可视化分析
2.1 探究数值型字段的分布情况
通过分别探究非数值型和数值型数据，可以更加直观地看出来数据的具体分布情况，以及各个字段的数据情况。接下来，由于非数值型数据中，字段family_history_with_overweight,FAVC,SMOKE和SCC的数据为yes或者no，所以可以通过一张堆叠条形图展示。
family_yes = data[data['family_history_with_overweight']=='yes']['family_history_with_overweight'].count()
family_no = data['family_history_with_overweight'].count() - family_yes
high_cal_yes = data[data['FAVC']=='yes']['FAVC'].count()
high_cal_no = data['FAVC'].count() - high_cal_yes
smo_cal_yes = data[data['SMOKE']=='yes']['SMOKE'].count()
smo_cal_no = data['SMOKE'].count() - smo_cal_yes
test_cal_yes = data[data['SCC']=='yes']['SCC'].count()
test_cal_no = data['SCC'].count() - test_cal_yes
answer = ['yes', 'no']
labels = ['家族肥胖史','高热量食物','是否吸烟','每日检测卡路里']
yes_lable = [family_yes, high_cal_yes, smo_cal_yes, test_cal_yes]
no_lable = [family_no, high_cal_no, smo_cal_no, test_cal_no]
width = 0.355
fig, ax = plt.subplots()
ax.bar(labels, yes_lable, width, label='yes',color = 'seashell')
ax.bar(labels, no_lable, width, label='no',color = 'plum')
ax.set_ylabel('人数')
ax.set_title('非数值型字段分布情况')
ax.legend()
plt.show()
从图中可以明显看出，大部分的墨西哥人都存在家族肥胖史的问题，大多数人都有摄入高热量食物的习惯；所调查的这部分人群几乎全部不吸烟并且没有每日检测卡路里的习惯。
c = (
Pie()
.add(
"",
[list(z) for z in zip(['公共交通', '步行', '驾驶汽车', '摩托车', '自行车'], data['MTRANS'].value_counts().tolist())],
radius=["30%", "45%"],
)
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
.set_global_opts(tooltip_opts =opts.TooltipOpts(formatter=" {a} </br> {b} {d}%",axis_pointer_type = "cross",),legend_opts =opts.LegendOpts(type_='scroll',orient='vertical',pos_left="5%",pos_top= 'middle'),title_opts=opts.TitleOpts(title="出行方式分布图",pos_left="center"))
)
c.render_notebook()
从图中可以得知，大部分人会选择公共交通的出行方式，其次是步行，选择自行车和摩托车出行的人非常少。
list1 = [data[data['CALC']=='Sometimes']['CALC'].count(), data[data['CAEC']=='Sometimes']['CAEC'].count()]
list2 = [data[data['CALC']=='no']['CALC'].count(), data[data['CAEC']=='no']['CAEC'].count()]
list3 = [data[data['CALC']=='Frequently']['CALC'].count(), data[data['CAEC']=='Frequently']['CAEC'].count()]
list4 = [data[data['CALC']=='Always']['CALC'].count(), data[data['CAEC']=='Always']['CAEC'].count()]
print(list1)
print(list2)
print(list3)
print(list4)
from pyecharts.charts import Bar
d = (
Bar()
.add_xaxis(['喝酒频率','两餐之间进食情况'])
.add_yaxis('偶尔', [1401, 1765], stack="stack1")
.add_yaxis("从不", [639, 51], stack="stack2")
.add_yaxis("总是", [70, 242], stack="stack3")
.add_yaxis("经常", [1, 53], stack="stack4")
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
.set_colors(["#d65f5f","#8c613c","#dc7ec0","#797979"])
.set_global_opts(tooltip_opts =opts.TooltipOpts(axis_pointer_type = "cross",),legend_opts =opts.LegendOpts(type_='scroll',orient='vertical',pos_right="5%",pos_top= 'middle'),title_opts=opts.TitleOpts(title="饮酒频率 & 两餐进食情况",pos_left="center"))
)
d.render_notebook()
从图中可以看出，偶尔喝酒的人数占比较大，几乎是从不喝酒人数的两倍；大部分人都有偶尔两餐之间进食的习惯，较小一部分会有经常两餐之间进食的习惯。
2.2 利用直方图探究数值型字段的分布情况
col1 = data.columns[[1,2,3,6,7,10,12,13]].tolist()
fig,ax = plt.subplots(2,4,figsize = (8,6))
column_name = ['年龄','身高(m)','体重(kg)','平时吃饭吃蔬菜的频率','一天中进餐次数','每天喝水量（L）','运动的频率（天）','每日使用技术设备的时间']
j=0
for i in range(0,len(col1)):
plt.subplot('24'+str(i+1))
x = data[col1[i]]
sns.distplot(x,color = 'lightpink')
tit=column_name[j]
j = j+1
plt.title(tit+'直方图',size=10)
plt.tight_layout()
plt.show()
根据上方各个连续性特征的直方图分布情况，可以判断每个字段的特点。首先，根据Age的直方图可以看出，此数据集主要研究的人的年龄分布大多在20岁到25岁之间；体重整体分布较为集中，没有明显的离群值。
关于饮食习惯，此数据中包含的人群中大多平时吃蔬菜的频率在2和3之间；其中，一天中进餐次数大多在3次，但也有相当一部分人群进餐次数较少为1次；人群的每天喝水量集中分布在2L。关于日常生活习惯方面，通过此直方图可以得出，大多数人的运动频率较为高；其中该人群使用电子产品的时间多分布在0-2小时之内。
2.3 利用热力图探究数值型字段的相关性
# sns.set_theme(style="white",font_scale=0.8)
d = pd.DataFrame(data=data,
columns=data.columns)
corr = d.corr()
mask = np.triu(np.ones_like(corr, dtype=bool))
f, ax = plt.subplots(figsize=(8, 6))
cmap = sns.diverging_palette(200, 20, as_cmap=True)
sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,
square=True, linewidths=.8, cbar_kws={"shrink": .5})
rc = {'font.sans-serif': 'SimHei',
'axes.unicode_minus': False}
sns.set(cnotallow='notebook', style='ticks', rc=rc)
ax.set_title('数值型字段热力图')
由图可知，大部分特征之间存在较弱的相关性，Height和Weight之间存在相对较强的正相关性，TUE（每日使用技术设备的时间）和Age之间存在相对较强的负相关性。因此可以初步判断此数据集所包含的年龄段在25岁左右的人，使用电子设备的时间较长。
2.4 利用散点图探究年龄和使用技术设备时间的关系
通过上面热力图初步得知年龄和使用电子设备之间存在较强的负相关性，接下来用散点图具体查看二者关系。
sns.scatterplot(data=data, x=data['Age'], y=data['TUE'],size =8,color = "#faceb6",legend = False)
plt.xlabel('年龄', fnotallow=8)
plt.ylabel('每日使用技术设备的时间', fnotallow=8)
plt.title("年龄和每日使用技术设备时间的散点图",size = 10)
plt.show()
从图中可以得知，年龄在20岁左右的人群整体使用技术设备的时间较长，随着年龄的增长，每日使用技术设备的时间在减少。
2.5 利用饼图探究肥胖程度与性别的关系
# 查看不同的肥胖程度等级
data['NObeyesdad'].unique()
# 女性中中`NObeyesdad`分布数据
female_type = ['正常', '超重I', '超重II',
'肥胖I', '体重不足', '肥胖II',
'肥胖III']
female_data = data[data['Gender']=='Female'].groupby(['NObeyesdad']).size().tolist()
# 男性中中`NObeyesdad`分布数据
male_type = ['正常', '超重I', '超重II',
'肥胖I', '体重不足', '肥胖II',
'肥胖III']
male_type.reverse()
male_data = data[data['Gender']=='Male'].groupby(['NObeyesdad']).size().tolist()
male_data.reverse()
# 数据赋值 之 内部 饼图
inner_x_data = ["女性", "男性"]
inner_y_data = data.groupby(['Gender']).size().tolist()
inner_data_pair = [list(z) for z in zip(inner_x_data, inner_y_data)]
# 数据赋值 之 外部 饼图
outer_x_data = female_type + male_type
outer_y_data = female_data + male_data
outer_data_pair = [list(z) for z in zip(outer_x_data, outer_y_data)]
# 参数配置
(
Pie(init_opts=opts.InitOpts())
.add(
series_name="性别:",
data_pair=inner_data_pair,
radius=[0, "30%"], # 饼图半径大小范围
center=["45%","55%"], # 饼图圆心相对位置
label_opts=opts.LabelOpts(positinotallow="inner",formatter="{b} \n\n {d}%"),
rosetype = ['radius'] # 展示成南丁格尔图
)
.add(
series_name="肥胖程度:",
data_pair=outer_data_pair,
radius=["31%","50%"],
center=["45%","55%"],
label_opts=opts.LabelOpts(positinotallow="outer"),
rosetype = ['radius'] # 展示成南丁格尔图
)
# 设置颜色，为了更加直观，颜色数量等同 legend数量
.set_colors(['#44a0d6',"#fc7716","#74c476","#9e9ac8","#4c72b0","#ee854a","#6acc64","#d65f5f","#8c613c","#dc7ec0","#797979","#d5bb67","#82c6e2","#faceb6","#fae9b6","#e3fab6","#b6faf6","#d6b6fa"])
.set_global_opts(tooltip_opts =opts.TooltipOpts(formatter=" {a} </br> {b} {d}%",axis_pointer_type = "cross",),legend_opts =opts.LegendOpts(type_='scroll',orient='vertical',pos_left="5%",pos_top= 'middle'),title_opts=opts.TitleOpts(title="性别 & 肥胖程度",pos_left="center"))
.render_notebook()
)
从图中可以得知，此数据集的男女比例分布较为平均，其中男性中肥胖程度I的人较多，占比达到13.97%，其次是超重II和肥胖III；女性中体重不足的占比较多，达到15.3%，其次是正常和超重II。从中可以看出，男性比女性肥胖人群更多，女性中体重不足的人偏多。
2.6 利用柱状图探究肥胖程度与饮酒频率的关系
plt.figure(figsize=(8,6))
ax = sns.countplot(x='NObeyesdad',order = ['Insufficient_Weight', 'Normal_Weight', 'Overweight_Level_I', 'Overweight_Level_II',
'Obesity_Type_I', 'Obesity_Type_II',
'Obesity_Type_III'],hue='CALC',data=data, palette="Set2")
ax.set_xticklabels(ax.get_xticklabels(),rotatinotallow=30,size = 10)
plt.title('肥胖程度与饮酒频率的关系')
plt.show()
从此柱状图中得知，喝酒频率和患肥胖症状并不存在明显的因果关系，但是患肥胖症状的人群中大多数喝酒频率为Sometimes，结合次数据集年龄分布的特点，可以发现25岁左右的年轻人都会时常饮酒。
2.7 利用箱线图探究肥胖程度与年龄的关系
plt.figure(figsize=(10,6))
ax = sns.boxplot(x=data['NObeyesdad'],order = ['Insufficient_Weight', 'Normal_Weight', 'Overweight_Level_I', 'Overweight_Level_II',
'Obesity_Type_I', 'Obesity_Type_II',
'Obesity_Type_III'],y=data['Age'],hue=data['Gender'],palette="Set3")
ax.set_xticklabels(ax.get_xticklabels(),rotatinotallow=30,size = 10)
plt.title('不同肥胖程度人群年龄分布')
plt.show()
通过图中箱线图，Normal_Weight和Insufficient_Weight的箱线图分布较为集中，因此可以得出正常体重和体重不足的人多集中在二十岁左右；然而肥胖人群的分布较为分散，整体分布在20到30岁之间，可以得出随着年龄趋近于30岁，人更容易患肥胖症状。其中，Obesity_Type_I的人群跨度最大，从20岁到50均有分布，因此可以看出患肥胖I型和年龄没有明显的相关性，各个年龄段均可能患此肥胖症。
3. 总结
该数据是关于墨西哥人肥胖程度的相关数据，首先通过查询数值型和非数值型数据的基本信息和分布情况，对数据有一个大致的了解，然后通过热力图初步判断之后需要探究哪些字段之间的相关性；由于从热力图中得出年龄与使用技术设备之间存在一定的负相关性，因此绘制散点图展示此关系。接着，此次案例探究了肥胖程度与性别、饮酒频率和家庭肥胖史之间的关系，并分别用饼图，柱状图以及箱线图展示，
通过上述探索性分析得到的图形，可以得出主要三个点：首先，关于此数据集的一个基本情况是男女分布较为均衡都在20-25岁左右；其次，男性比女性更容易患肥胖症状，肥胖症状非常容易受到家族肥胖症状的影响；最后，年龄越小使用技术设备的时间越长。
爱数课（iDataCourse）是一个面向院校的大数据和人工智能课程和资源平台。平台提供权威的课程资源、数据资源、案例实验资源，助力院校大数据和人工智能专业建设，课程建设和师资能力建设。
