一、项目初衷

心脏病是全球高发致命疾病，但早期筛查能大幅提升治愈率。医院积累了海量患者生理指标，于是我用 Python + 机器学习搭建心脏病风险预测 AI 模型，完整走完「数据探查→清洗→可视化建模→多模型对比评估」全流程，零基础也能看懂整套数据分析思路。

二、用到的核心工具库

数据处理：pandas、numpy 可视化：matplotlib 统计检验：scipy.stats 机器学习工具集sklearn：逻辑回归、决策树、随机森林、SVM、数据划分、标准化、模型评估指标 梯度提升树：XGBoost 额外配置：全局中文显示、忽略警告，解决图表负号乱码问题

三、完整项目流程拆解

阶段 1：数据加载与基础探索

读取医疗数据集Medicaldataset.csv，完成基础摸底：

1. 查看样本前 5 行、全部字段名
2. info()查看字段类型、缺失值
3. describe()输出数值指标均值、极值、分位数
4. 绘制全部生理指标箱线图，直观定位异常值

数据集包含核心指标：年龄、性别、心率、收缩压、舒张压、血糖、肌酸激酶同工酶、肌钙蛋白、诊断结果（positive 患病 /negative 健康）

阶段 2：数据清洗 —— 处理真实脏数据

真实医疗数据存在大量错误，清洗是建模关键：

1. 清除全部重复样本
2. 过滤极端异常值：心率＞1000、收缩压＜50 等不合理数据
3. 修正逻辑错误：部分样本舒张压数值大于收缩压，直接交换两列数值修正 清洗后再次描述统计，数据分布回归合理区间。

阶段 3：数据可视化，挖掘医学规律

多维度图表直观分析指标与心脏病的关联：

1. 年龄直方图 + 核密度曲线：样本年龄集中 50-75 岁，近似正态分布
2. 性别饼图：整体男性样本占比约 66%，患病人群中男性占比更高
3. 分组箱线图：分别对比「患病 / 健康」人群的年龄、心率、血压、血糖分布
4. 交叉分组图：结合性别 + 诊断结果，双维度观察血糖、年龄差异

可视化结论：肌钙蛋白、肌酸激酶同工酶、年龄是区分患病与否的核心特征。

阶段 4：数据预处理，适配机器学习模型

1. 标签数字化：将文本诊断positive/negative转为二分类 0/1（1 = 患病，0 = 健康）
2. 特征筛选：选取核心建模特征性别、年龄、CK-MB肌酸激酶、Troponin肌钙蛋白
3. 连续特征标准化：年龄、两项心肌标志物做标准化消除量纲影响
4. 分层划分数据集：80% 训练集 + 20% 测试集，分层抽样保证患病 / 健康样本比例一致

阶段 5：通用模型评估函数（复用神器）

封装统一评估函数，输入任意分类模型自动输出全套结果：

1. 打印分类报告：精确率、召回率、F1 分数、样本支持数
2. 绘制混淆矩阵热力图，直观展示误诊、漏诊数量
3. 自动适配模型：有predict_proba输出概率，SVM 无概率则调用decision_function得分
4. 绘制 ROC 曲线并计算 AUC 值，AUC 越高代表模型区分能力越强

阶段 6：5 大经典分类模型训练对比

批量训练主流机器学习模型，统一评估横向对比性能：

1. 逻辑回归：线性基线模型，可解释性强
2. 决策树：单棵树，直观易理解，易过拟合
3. 随机森林：集成树模型，抗过拟合，泛化能力更强
4. XGBoost：梯度提升树，表格数据竞赛常用高分模型
5. SVM 支持向量机：适合中小样本分类任务

最后汇总所有模型 AUC 值并排序，选出最优心脏病预测模型。

四、项目收获总结

1. 实操掌握 Pandas 数据清洗、Matplotlib 多维度可视化完整流程；
2. 理解医疗脏数据处理逻辑：异常值过滤、逻辑错误修正、重复值删除；
3. 建立标准机器学习分类任务流程：数据探查→预处理→建模→多维度评估；
4. 学会用混淆矩阵、ROC-AUC、精确率 / 召回率综合评判医疗模型（医疗场景漏诊代价极高，召回率尤为重要）；
5. 落地实用医疗 AI 思路：仅依靠几项基础生理指标，即可搭建低成本心脏病早期风险筛查工具。

五、适用人群 & 拓展方向

适合：Python 数据分析初学者、机器学习入门、医学信息处理方向同学 拓展优化：

1. 加入卡方检验筛选相关性更强特征；
2. 网格搜索 GridSearchCV 调参提升模型 AUC；
3. 导出最优模型，封装简易筛查小工具；
4. 新增年龄分层、高血压 / 糖尿病标签做多特征组合分析