Heart Failure Prediction EDA¶

1. 문제 정의¶

  • 데이터 세트에는 심장 질환 발생과 관련있는 11가지 features 존재
  • 11가지 임상의 특징들을 통해 환자가 심장질환을 가질지 여부 예측하기

독립변수 : Age, Sex, ChestPainType, RestingBP, Cholesterol, FastingBS, RestingECG, MaxHR, ExerciseAngina, Oldpeak, ST_Slope

종속변수 : HeartDisease

In [42]:
import numpy as np
import pandas as pd


from matplotlib import pyplot as plt
import seaborn as sns

%matplotlib inline

import warnings
warnings.filterwarnings('ignore')

2. 데이터 불러오기¶

In [3]:
df=pd.read_csv('heart.csv')
df.head()
Out[3]:
Age Sex ChestPainType RestingBP Cholesterol FastingBS RestingECG MaxHR ExerciseAngina Oldpeak ST_Slope HeartDisease
0 40 M ATA 140 289 0 Normal 172 N 0.0 Up 0
1 49 F NAP 160 180 0 Normal 156 N 1.0 Flat 1
2 37 M ATA 130 283 0 ST 98 N 0.0 Up 0
3 48 F ASY 138 214 0 Normal 108 Y 1.5 Flat 1
4 54 M NAP 150 195 0 Normal 122 N 0.0 Up 0

컬럼 살펴보기¶

  • Age : 환자 나이
  • Sex : 성별 (M = 남성, F = 여성)
  • ChestPainType : 가슴 통증 유형
    • TA: 일반 협심증, ATA: 비정형 협심증, NAP: 비혈관 통증, ASY: 무증상
  • RestingBP : 휴식기 혈압( mm Hg 단위)
  • Cholesterol : 혈청 콜레스테롤(mg/dl)
    • 혈청 콜레스테롤은 혈액에 있는 총 콜레스테롤의 양을 나타냄
  • FastingBS : 공복 혈당
    • 1: 공복일 때 BS > 120 mg/dl, 0: 그렇지 않은 경우
  • RestingECG : 휴식기 심전도
    • Normal: 정상, ST: ST-T파 이상(T파 반전 및/또는 ST 상승 또는 우울 0.05mV 이상), LVH: Estes 기준으로 추정되거나 확실한 좌실 비대를 보임
  • MaxHR : 최대 심박수
    • 60에서 202 사이의 숫자 값
  • ExerciseAngina : 운동성 협심증
    • Y: 예, N: 아니오
  • Oldpeak : ST 세그먼트 하강 정도 측정 수치
    • ST 세그먼트(분절) -> 심전도 전기 그래프 중 일부 주기
    • ST 세그먼트 하강 -> ST 세그먼트 수치가 기준선 아래로 낮아 일부 심장질환의 발견 징조가 될 수 있음
  • ST_Slope : 피크 운동 ST 세그먼트의 기울기
    • 기울기에 따라 심장질환의 발견 징조가 될 수 있음
    • Up: 위로, Flat: 평평하게, Down: 아래로
  • HeartDisease : 심장질환 여부
    • 1: 심장질환 , 0: 정상

image.png

image.png

In [13]:
print(df.shape)
print(df.isnull().sum())

(918, 12)
Age               0
Sex               0
ChestPainType     0
RestingBP         0
Cholesterol       0
FastingBS         0
RestingECG        0
MaxHR             0
ExerciseAngina    0
Oldpeak           0
ST_Slope          0
HeartDisease      0
dtype: int64
  • 918행과 12열로 구성
  • 결측치 부재

3. 데이터 전처리 및 EDA¶

In [5]:
#  index를 1부터로 수정
df.reset_index(drop=True)
df.reset_index()
df.index += 1
df.head()
Out[5]:
Age Sex ChestPainType RestingBP Cholesterol FastingBS RestingECG MaxHR ExerciseAngina Oldpeak ST_Slope HeartDisease
1 40 M ATA 140 289 0 Normal 172 N 0.0 Up 0
2 49 F NAP 160 180 0 Normal 156 N 1.0 Flat 1
3 37 M ATA 130 283 0 ST 98 N 0.0 Up 0
4 48 F ASY 138 214 0 Normal 108 Y 1.5 Flat 1
5 54 M NAP 150 195 0 Normal 122 N 0.0 Up 0
In [14]:
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 918 entries, 1 to 918
Data columns (total 12 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   Age             918 non-null    int64  
 1   Sex             918 non-null    object 
 2   ChestPainType   918 non-null    object 
 3   RestingBP       918 non-null    int64  
 4   Cholesterol     918 non-null    int64  
 5   FastingBS       918 non-null    int64  
 6   RestingECG      918 non-null    object 
 7   MaxHR           918 non-null    int64  
 8   ExerciseAngina  918 non-null    object 
 9   Oldpeak         918 non-null    float64
 10  ST_Slope        918 non-null    object 
 11  HeartDisease    918 non-null    int64  
dtypes: float64(1), int64(6), object(5)
memory usage: 86.2+ KB
  • 정수형 변수 -> 6개
  • 실수형 변수 -> 1개
  • 범주형 변수 -> 5개
    • 범주형 변수가 많으며 추후에 연속형으로 변환 필요
In [16]:
#연속형 변수들 기술통계량 확인
df.describe()
Out[16]:
Age RestingBP Cholesterol FastingBS MaxHR Oldpeak HeartDisease
count 918.000000 918.000000 918.000000 918.000000 918.000000 918.000000 918.000000
mean 53.510893 132.396514 198.799564 0.233115 136.809368 0.887364 0.553377
std 9.432617 18.514154 109.384145 0.423046 25.460334 1.066570 0.497414
min 28.000000 0.000000 0.000000 0.000000 60.000000 -2.600000 0.000000
25% 47.000000 120.000000 173.250000 0.000000 120.000000 0.000000 0.000000
50% 54.000000 130.000000 223.000000 0.000000 138.000000 0.600000 1.000000
75% 60.000000 140.000000 267.000000 0.000000 156.000000 1.500000 1.000000
max 77.000000 200.000000 603.000000 1.000000 202.000000 6.200000 1.000000
In [24]:
#범주형 변수와 연속형 변수 구분
cat_col = ['Sex','ChestPainType','RestingECG','ExerciseAngina','ST_Slope']
con_col = ['Age','RestingBP','Cholesterol','FastingBS','MaxHR','Oldpeak']
In [18]:
#범주형 변수들 살펴보기
for i in cat_col:
    print(df[i].value_counts())
    print('===========')

Sex
M    725
F    193
Name: count, dtype: int64
===========
ChestPainType
ASY    496
NAP    203
ATA    173
TA      46
Name: count, dtype: int64
===========
RestingECG
Normal    552
LVH       188
ST        178
Name: count, dtype: int64
===========
ExerciseAngina
N    547
Y    371
Name: count, dtype: int64
===========
ST_Slope
Flat    460
Up      395
Down     63
Name: count, dtype: int64
===========

독립변수 탐색¶

Sex¶
In [6]:
#남성이 78.9%, 여성이 21%로 남성 비율이 압도적으로 많음을 확인
print(df['Sex'].value_counts(normalize=True))
df['Sex'] = df['Sex'].map({'M': 0, 'F': 1})#M -> 0, F ->1 과 같이 숫자형으로 변환

Sex
M    0.78976
F    0.21024
Name: proportion, dtype: float64
Age¶
In [58]:
sns.displot(df['Age'], kde=True)
#50 ~60세의 중년이 가장 많음을 확인
#30세 이하는 매우 적음
Out[58]:
<seaborn.axisgrid.FacetGrid at 0x275f3435cf0>
In [7]:
#10을 기준으로 나이대 구분하는 새로운 컬럼 추가
def age_sep(a):
    if a<30:
        return '<30'
    elif a>=30 and a<40:
        return '30-40'
    elif a>=40 and a<50:
        return '40-50'
    elif a>=50 and a<60:
        return '50-60'
    elif a>=60 and a<70:
        return '60-70'
    else:
        return '>=70'

#30세 미만은 0, 30이상 40미만 1, 40이상 50미만 2, 50이상 60미만 3, 60이상 70미만 4, 70이상 5    
df['Age_group'] = df['Age'].apply(age_sep)
df['Age_group'] = df['Age_group'].map({'<30': 0,
                               '30-40': 1,
                               '40-50': 2,
                               '50-60': 3,
                               '60-70': 4,
                               '>=70': 5})
In [8]:
df[['Sex','Age','Age_group']].head()
Out[8]:
Sex Age Age_group
1 0 40 2
2 1 49 2
3 0 37 1
4 1 48 2
5 0 54 3
ChestPainType¶
In [9]:
#ASY무증상의 빈도가 가장 높고 TA 일반협심증의 빈도가 가장 낮음
sns.countplot(x = 'ChestPainType', data=df)
Out[9]:
<Axes: xlabel='ChestPainType', ylabel='count'>
In [10]:
#종속변수와의 관계를 보면
#ASY(무증상), TA(일반협심증), NAP(비혈관통증), ATA(비정형 협심증) 순으로 많다
# 즉, 심장질환 보유자 중 흉통의 증상이 무증상인 환자 비율이 가장 많음을 알 수 있음
#또한 단순 빈도로는 TA가 낮았으나 심장질환 보유여부를 고려해서 보면 2순위를 차지함
df[['ChestPainType', 'HeartDisease']].groupby(['ChestPainType'], as_index=True).mean().sort_values(by='HeartDisease', ascending=False)
Out[10]:
HeartDisease
ChestPainType
ASY 0.790323
TA 0.434783
NAP 0.354680
ATA 0.138728
In [11]:
#ATA - 0, NAP - 1 ASY - 2 TA - 3으로 값 변환
df['ChestPainType'] = df['ChestPainType'].map({'ATA': 0,'NAP': 1,'ASY': 2, 'TA': 3})
In [12]:
df['ChestPainType'].head()
Out[12]:
1    0
2    1
3    0
4    2
5    1
Name: ChestPainType, dtype: int64
RestingBP¶
In [13]:
sns.displot(x = 'RestingBP', data=df)
plt.show()
sns.boxplot(x = 'RestingBP', data=df)
plt.show
Out[13]:
<function matplotlib.pyplot.show(close=None, block=None)>
  • 대개 110 ~140 사이에 많이 분포
  • 박스플롯을 보면 0의 값을 가지는 값 하나 존재 -> 이상치로 판단하여 제거
In [14]:
df = df[df['RestingBP']>0]
df['RestingBP'].min()
Out[14]:
80
Cholesterol¶
In [15]:
df['Cholesterol'].describe()
Out[15]:
count    917.000000
mean     199.016358
std      109.246330
min        0.000000
25%      174.000000
50%      223.000000
75%      267.000000
max      603.000000
Name: Cholesterol, dtype: float64
In [16]:
sns.displot(x = 'Cholesterol', data=df)
#0과 600대 값 둘다 이상치로 볼 수 없는 범위 내 있다고 판단 -> 제거 x
Out[16]:
<seaborn.axisgrid.FacetGrid at 0x1f122ee6ce0>
In [17]:
#100단위로 콜레스테롤 범위 구분하여  새 컬럼 형성
def chol_sep(ch):
    if ch>=0 and ch<100:
        return '0-100'
    elif ch>=100 and ch<200:
        return '100-200'
    elif ch>=200 and ch<300:
        return '200-300'
    elif ch>=300 and ch<400:
        return '300-400'
    elif ch>=400 and ch<500:
        return '400-500'
    elif ch>=500 and ch<600:
        return '500-600'
    else:
        return '>=600'

df['chol_group'] = df['Cholesterol'].apply(chol_sep)
df['chol_group'] = df['chol_group'].map({
    '0-100':0,
    '100-200':1,
    '200-300':2,
    '300-400':3,
    '400-500':4,
    '500-600':5,
    '>=600':6
})
In [18]:
df[['Cholesterol','chol_group']].head()
Out[18]:
Cholesterol chol_group
1 289 2
2 180 1
3 283 2
4 214 2
5 195 1
FastingBS¶
In [19]:
plt.figure(figsize=(3,3))
sns.countplot(x = 'FastingBS', hue='HeartDisease',data=df)
plt.show()
In [20]:
df[['FastingBS', 'HeartDisease']].groupby(['FastingBS'], as_index=True).mean().sort_values(by='HeartDisease', ascending=False)
Out[20]:
HeartDisease
FastingBS
1 0.794393
0 0.479374

공복혈당이 높은 환자 중 심장질환 보유자 비율이 높음 -> 높은 공복혈당은 주의할 요인

RestingECG¶
In [21]:
#ST(ST-T파 이상), LVH(좌실비대), Normal(정상)순
#즉 심장질환 보유자 중 휴식기 심전도가 ST-T파에 이상인 환자 비율이 높음을 알 수 있음(각 증상별 큰차이를 보이지는 않음)
df[['RestingECG', 'HeartDisease']].groupby(['RestingECG'], as_index=True).mean().sort_values(by='HeartDisease', ascending=False)
Out[21]:
HeartDisease
RestingECG
ST 0.657303
LVH 0.563830
Normal 0.515426
In [22]:
#Normal 0, ST 1, LVH 2로 값 변환
df['RestingECG'] = df['RestingECG'].map({'Normal': 0,'ST':1,'LVH': 2})
MaxHR¶
In [23]:
sns.displot(x = 'MaxHR', data=df, bins=16)
plt.show()
In [ ]:
ExerciseAngina¶
In [24]:
plt.figure(figsize=(3,3))
sns.countplot(x = 'ExerciseAngina', data=df)
plt.show()
In [25]:
#심장질환 보유자 중 운동성 협심증 보유자가 많음
df[['ExerciseAngina', 'HeartDisease']].groupby(['ExerciseAngina'], as_index=True).mean().sort_values(by='HeartDisease', ascending=False)
Out[25]:
HeartDisease
ExerciseAngina
Y 0.851752
N 0.349817
In [26]:
#운동성 협심증 미보유자 0, 보유자 1로 값변환
df['ExerciseAngina'] = df['ExerciseAngina'].map({
    'N':0,
    'Y':1
})
df['ExerciseAngina'].head()
Out[26]:
1    0
2    0
3    0
4    1
5    0
Name: ExerciseAngina, dtype: int64
Oldpeak¶
In [27]:
df['Oldpeak'].describe()
Out[27]:
count    917.000000
mean       0.886696
std        1.066960
min       -2.600000
25%        0.000000
50%        0.600000
75%        1.500000
max        6.200000
Name: Oldpeak, dtype: float64
In [28]:
sns.displot(x = 'Oldpeak', data=df)
plt.show()
sns.boxplot(x = 'Oldpeak', data=df)
plt.show()

값의 분포가 고르지 않으며 이상치라 보기 힘든 값 여럿 존재 -> 범주 구분 필요

In [29]:
def op_sep(p):
    if p<-2:
        return 0
    elif p>=-2 and p<0:
        return 1
    elif p>=0 and p<2:
        return 2
    elif p>=2 and p<4:
        return 3
    elif p>=4 and p<6:
        return 4
    else:
        return 5
df['op_group'] = df['Oldpeak'].apply(op_sep)
In [30]:
df[['Oldpeak','op_group']].head()
Out[30]:
Oldpeak op_group
1 0.0 2
2 1.0 2
3 0.0 2
4 1.5 2
5 0.0 2
ST_Slope¶
In [31]:
plt.figure(figsize=(6,4))
sns.countplot(x = 'ST_Slope', data=df)
plt.show()
In [32]:
#Flat,Down,Up 순
# 심장질환 보유자 중 ST 세그먼트 기울기가 평평한 환자 비율이 많음
df[['ST_Slope', 'HeartDisease']].groupby(['ST_Slope'], as_index=True).mean().sort_values(by='HeartDisease', ascending=False)
Out[32]:
HeartDisease
ST_Slope
Flat 0.827887
Down 0.777778
Up 0.197468
In [33]:
#up 0 ,flat 1, down 2로 값 변환
df['ST_Slope'] = df['ST_Slope'].map({
    'Up':0,
    'Flat':1,
    'Down':2
})
df['ST_Slope'].head()
Out[33]:
1    0
2    1
3    0
4    1
5    0
Name: ST_Slope, dtype: int64
In [34]:
#최종 전처리 결과 확인
df.head()
Out[34]:
Age Sex ChestPainType RestingBP Cholesterol FastingBS RestingECG MaxHR ExerciseAngina Oldpeak ST_Slope HeartDisease Age_group chol_group op_group
1 40 0 0 140 289 0 0 172 0 0.0 0 0 2 2 2
2 49 1 1 160 180 0 0 156 0 1.0 1 1 2 1 2
3 37 0 0 130 283 0 1 98 0 0.0 0 0 1 2 2
4 48 1 2 138 214 0 0 108 1 1.5 1 1 2 2 2
5 54 0 1 150 195 0 0 122 0 0.0 0 0 3 1 2

종속변수 탐색¶

In [9]:
#종속변수 확인 --> 심장질환 보유자가 11% 가량 더 많음

noDisease = len(df[df.HeartDisease == 0])
haveDisease = len(df[df.HeartDisease == 1])
print("심장질환 보유자 비율: {:.2f}%".format((noDisease / (len(df.HeartDisease))*100)))
print("심장질환 미보유자 비율: {:.2f}%".format((haveDisease / (len(df.HeartDisease))*100)))
sns.countplot(x="HeartDisease", data=df, palette="bwr")
plt.show()

심장질환 보유자 비율: 44.66%
심장질환 미보유자 비율: 55.34%

히트맵으로 상관관계 분석¶

In [143]:
plt.figure(figsize=(18,15))
sns.heatmap(df.corr(), annot=True,cmap='BrBG', square=True,fmt='.2f',annot_kws={"size":15})
plt.show()
In [37]:
#양의 상관관계, 음의 상관관계 히트맵 분리
#둘다 상관관계 0.2 기준
df_corr = df.corr()
mask = np.zeros_like(df_corr)
mask[np.triu_indices_from(mask)] = True

df_corr_pos = df_corr[df_corr>=0.2]
df_corr_neg = df_corr[(df_corr <= -0.2) & (df_corr <= 1.0)| (df_corr == 1.0)]
In [38]:
#positive 상관관계 0.2 이상
plt.figure(figsize=(20, 16))

sns.heatmap(df_corr_pos, annot=True, mask=mask,cmap='BrBG', linewidths=.6, fmt='.2f', annot_kws={'size':16})
plt.show()

<양의 상관관계 분석 결과>

  • 'ST_Slope' : 0.56, 'ExerciseAnina' : 0.5,'ChestPainType' : 0.45, 'Oldpeak' : 0.4 , 순으로 큰 양의 상관관계를 가짐
    1. ST segement의 기울기가 down인 환자일수록 심장질환 보유자가 많다.
    1. 운동성 협심증을 가진 환자일수록 심장질환 보유자가 많다.
    1. 흉통유형이 TA 일반협심증인 환자일수록 심장질환 보유자가 많다.
    1. ST 세그먼트 하강 정도가 큰 환자일수록 심장질환 보유자가 많다.
In [39]:
# Negative 상관관계 -0.2 이하
plt.figure(figsize=(20, 16))

sns.heatmap(df_corr_neg, annot=True, mask=mask,cmap='BrBG', linewidths=.6, fmt='.2f', annot_kws={'size':16})
plt.show()

<음의 상관 관계 분석 결과>

  • 'MaxHR' : -0.4, 'Sex' : -0.31, 'Cholesterol' : -0.23 순으로 큰 음의 상관관계를 가짐
    1. 최대심박수가 낮은 환자일수록 심장질환 보유자가 많다.
    1. 남성 환자일수록 심장질환 보유자가 많다.
    1. 콜레스테롤 수치가 낮은 환자일수록 심장질환 보유자가 많다.
In [40]:
#최종으로 상관계수 높은 변수 확인
df_corr.sort_values(by='HeartDisease', ascending=False)[['HeartDisease']]
Out[40]:
HeartDisease
HeartDisease 1.000000
ST_Slope 0.558541
ExerciseAngina 0.495490
ChestPainType 0.459810
Oldpeak 0.403638
Age 0.282012
op_group 0.274446
Age_group 0.268165
FastingBS 0.267994
RestingBP 0.117990
RestingECG 0.061791
chol_group -0.198737
Cholesterol -0.231479
Sex -0.305118
MaxHR -0.401410

결론¶

전처리랑 EDA까지 진행한 결과, 종속변수가 0과 1의 발병여부를 나타내므로 추후 로지스틱 회귀분석을 통해 11가지 특징들로 심장질환 발병 여부를 예측할 수 있을 것입니다.

In [ ]: