胎儿健康数据分析实战：从数据清洗到建模优化的完整流程

1次阅读

共计 2309 个字符，预计需要花费 6 分钟才能阅读完成。

在产科临床实践中，胎心监护、宫缩压力等指标的监测数据是评估胎儿健康状况的重要依据。然而实际医疗数据往往存在质量参差不齐、样本分布不均衡等问题，直接影响后续建模的可靠性。本文将针对这些痛点，通过 Python 工具链演示完整的解决方案。

医疗设备采集中断或记录疏漏常导致数据缺失。我们首先加载数据集并分析缺失情况：

import pandas as pd

df = pd.read_csv('fetal-health.csv')
print(df.isnull().sum().sort_values(ascending=False))

对于缺失值处理，不同策略适用不同场景：

删除记录：当缺失比例 <5% 且随机分布时适用
```
df_drop = df.dropna()
```

均值填充：适用于连续型生理指标

from sklearn.impute import SimpleImputer

imputer = SimpleImputer(strategy='mean')
df[['baseline_value', 'accelerations']] = imputer.fit_transform(df[['baseline_value', 'accelerations']])

众数填充：适用于分类特征如fetal_movement

使用箱线图识别数值异常点后，必须结合医学知识判断：

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(12,6))
sns.boxplot(data=df[['baseline_value', 'accelerations']])
plt.title('Boxplot of Key Features')
plt.show()

例如胎心率基线正常范围是 110-160bpm，超出此范围的记录需要：

核对原始设备日志确认是否采集错误
咨询临床医师判断是否病理状态
对确认的异常值采用 Winsorization 缩尾处理

不同生理指标量纲差异显著，需进行标准化：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
num_features = ['baseline_value', 'accelerations', 'uterine_contractions']
df[num_features] = scaler.fit_transform(df[num_features])

对于 fetal_movement 等分类变量：

LabelEncoder：适用于有序分类（如胎动频率：无 / 少 / 正常 / 多）

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
df['movement_encoded'] = le.fit_transform(df['fetal_movement'])

OneHotEncoder：适用于无序分类（如孕妇血型）

from sklearn.preprocessing import OneHotEncoder

ohe = OneHotEncoder()
movement_ohe = ohe.fit_transform(df[['fetal_movement']]).toarray()

原始数据中健康样本占多数会导致模型偏见：

from imblearn.over_sampling import SMOTE

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

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

通过网格搜索寻找最优超参数组合：

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

param_grid = {'n_estimators': [100, 200],
    'max_depth': [None, 10, 20],
    'min_samples_split': [2, 5]
}

rf = RandomForestClassifier()
grid_search = GridSearchCV(rf, param_grid, cv=5, scoring='f1_macro')
grid_search.fit(X_res, y_res)

print(f"Best params: {grid_search.best_params_}")
print(f"Best F1-score: {grid_search.best_score_:.3f}")