CKD数据集解析：从医学数据到机器学习实战指南

1次阅读

共计 2032 个字符，预计需要花费 6 分钟才能阅读完成。

慢性肾病（CKD）是一种逐渐丧失肾脏功能的疾病，早期诊断对治疗至关重要。CKD 数据集包含了患者的临床指标（如血红蛋白、血糖、白蛋白等）以及最终的诊断结果。这类数据集对机器学习模型构建极具价值，但也面临以下挑战：

数据不均衡 ：健康样本远多于患病样本
特征相关性 ：医学指标间存在复杂关联
缺失值普遍 ：临床检查项目不完整
类别特征多 ：如尿蛋白检测结果的分级

首先加载数据并查看基本信息：

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('ckd.csv')
print(df.info())  # 查看字段类型和缺失值
print(df.describe())  # 数值型特征统计

绘制关键特征的分布图：

# 血红蛋白分布对比
plt.figure(figsize=(10,6))
df[df['classification']=='ckd']['hemo'].hist(alpha=0.5, bins=20, label='CKD')
df[df['classification']=='notckd']['hemo'].hist(alpha=0.5, bins=20, label='Healthy')
plt.legend()
plt.xlabel('Hemoglobin Level')
plt.title('Feature Distribution Comparison')

# 数值型特征用中位数填充
num_cols = ['age','bp','sg','al','su','bgr','bu','sc','sod','pot','hemo','pcv','wc','rc']
df[num_cols] = df[num_cols].fillna(df[num_cols].median())

# 类别型特征用众数填充
cat_cols = ['rbc','pc','pcc','ba','htn','dm','cad','appet','pe','ane']
df[cat_cols] = df[cat_cols].fillna(df[cat_cols].mode().iloc[0])

from sklearn.preprocessing import LabelEncoder

# 二元类别直接编码
binary_cols = ['htn','dm','cad','pe','ane']
le = LabelEncoder()
for col in binary_cols:
    df[col] = le.fit_transform(df[col])

# 多类别使用独热编码
df = pd.get_dummies(df, columns=['rbc','pc','pcc','ba','appet'])

from imblearn.over_sampling import SMOTE

X = df.drop('classification', axis=1)
y = df['classification']

smote = SMOTE(random_state=42)
X_res, y_res = smote.fit_resample(X, y)

构建完整的机器学习流水线：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X_res, y_res, test_size=0.2)

# 构建 pipeline
pipeline = Pipeline([('scaler', StandardScaler()),
    ('clf', RandomForestClassifier(n_estimators=100))
])

# 训练与评估
pipeline.fit(X_train, y_train)
print(f"Test Accuracy: {pipeline.score(X_test, y_test):.2f}")

处理医学数据时需要特别注意：