作业-吸烟与癌症数据分析

课堂作业

基于smoking_cancer.text数据，用描述统计量和统计图表对其进行分析，并投稿到简书“解密大数据”专栏

• 思路

  • 人均吸烟数的集中趋势
  • 人均吸烟数的离散程度
  • 吸烟数与某种疾病的关系

• 数据表的字段说明

  • STATE: 美国州名的简写
  • CIG: 人均吸烟的数量
  • BLAD: 每10万人中死于膀胱癌（ bladder cancer）的人数
  • LUNG: 每10万人中死于肺癌（lung cancer）的人数
  • KID: 每10万人中死于肾癌（kidney cancer）的人数
  • LEUK: 每10万人中死于白血病（leukemia）的人数

导入模块

import pandas as pd
import numpy as np
from scipy.stats import mode
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
%config InlineBackend.figure_format = 'retina'

导入文件

鱼心老师给的文件是smoking_cancer.txtTXT文件类型.
自己强制改了扩展名为csv. 即重命名为smoking_cancer.csv.导入后,发现所有数据都挤到一栏里了.
求助polo后,得到方法一:

# 方法一: 强制改扩展名为csv.用pd.read_csv导入时加上参数
data=pd.read_csv('smoking_cancer.csv', delimiter='\t')

说明:delimiter 为分隔符的意思。\t是转义字符

后来看了利东同学的作业.才得知导入txt文件的正确姿势,方法二:

# 方法二:(推荐)
data = pd.read_table('smoking_cancer.txt')

在此鸣谢张利东同学

微信群里鱼心老师又给了一个方法三：

# 方法三：（推荐）
data=pd.read_csv('smoking_cancer.txt', delimiter='\t')

观察数据

data.head()

# 查看数据总体信息
data.info()

# 运行结果
<class 'pandas.core.frame.DataFrame'>
Index: 44 entries, AL to AK
Data columns (total 5 columns):
CIG     44 non-null float64
BLAD    44 non-null float64
LUNG    44 non-null float64
KID     44 non-null float64
LEUK    44 non-null float64
dtypes: float64(5)
memory usage: 2.1+ KB

# 数据的统计描述
data.describe()

数据分析

# 计算全美国(44州),每10万人死于这四种癌症的人数总和
data.sum()

# 运行结果
CIG     1096.22
BLAD     181.33
LUNG     864.74
KID      122.96
LEUK     300.51
dtype: float64

• 美国( 44个州)死于这四种癌症的人数总和 情况如下:
  • BLAD 每10万人中死于膀胱癌（ bladder cancer）的人数:118.33人
  • LUNG 每10万人中死于肺癌（lung cancer）的人数:864.74人
  • KID 每10万人中死于肾癌（kidney cancer）的人数:122.96人
  • LEUK 每10万人中死于白血病（leukemia）的人数:300.51人

# 画个饼图看一下四种癌症占比
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 
plt.figure(figsize = (8 , 6))

labels = [u'膀胱癌 bladder',u'肺癌 lung',u'肾癌 kidney',u'白血病 leukemia']
sizes = [181.33, 864.74, 122.96, 300.51]
colors = ['#66cc99', '#cc9966', '#9966cc', '#99cc66']

patches,l_text,p_text=plt.pie(sizes, labels=labels, colors=colors, labeldistance = 1.1, autopct = '%1.1f%%', shadow = False, startangle = 90, pctdistance = 0.6)
#labeldistance，文本的位置离远点有多远，1.1指1.1倍半径的位置
#autopct，圆里面的文本格式，%1.1f%%表示小数有1位，整数有一位的浮点数
#shadow，饼是否有阴影
#startangle，起始角度，0，表示从0开始逆时针转，为第一块。一般选择从90度开始比较好看
#pctdistance，百分比的text离圆心的距离

#改变文本的大小
#方法是把每一个text遍历。调用set_size方法设置它的属性

for t in l_text:
    t.set_size(20)
for t in p_text:
    t.set_size(16)


plt.axis('equal')  # 设置x，y轴刻度一致，这样饼图才能是圆的
plt.legend(loc=(1,0),fontsize=16) #显示图例于右下角

美国(44州)死于四种癌症占比 饼图

1.分析人均吸烟数的集中趋势

smoking = data[['CIG']]
sk = smoking.CIG

sk_mean = np.mean(sk)   # 使用numpy包计算平均值
sk_median = sk.median()
sk_mode = mode(sk)     # 使用scipy包计算
print ('人均吸烟数 均值：',sk_mean)  
print ('人均吸烟数 中位：',sk_median)
print ('人均吸烟数 众数：',sk_mode)

if sk_mean > sk_median :
    print ('偏度为右偏')
else:
    print ('偏度为左偏')

# 运行结果
人均吸烟数 均值： 24.914090909090906
人均吸烟数 中位： 23.765
人均吸烟数 众数： ModeResult(mode=array([ 23.44]), count=array([2]))
偏度为右偏

数据分析少不了画个图

# 为了图表展示美观,先排个序
sk = sk.sort_values(ascending=False)

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 
x=np.arange(len(sk.index)) #有44个州,生成对应0-43数列来用于X轴

plt.figure(figsize=(16,8))  # 设置整张图表的大小
plt.bar(x,sk) # 画条形图

zhou=list(sk.index)  # 将44个州的州名.转换成列表数据类型.对应0-43数列
plt.xticks(x,zhou)  # 用州名替换掉X轴上的0-43数字,方便阅读

plt.xlabel('美国44个州简称 按CIG值降序排列',fontsize=20)
plt.ylabel('人均吸烟的数量 CIG',fontsize=20)
plt.title('美国各州人均吸烟量分布图',fontsize=20)

y=np.array(list(sk))
for a,b in zip(x,y):
    plt.text(a,b+0.03,b,ha='center',va='bottom',fontsize=10,rotation=60)
plt.hlines(sk.mean(), -1,44,  colors = "r", linestyles = "dashed",label="平均值")
plt.legend(loc='upper right',fontsize=15) # 显示图例于右上角

• 根据上图可以看出
  • NE 内布拉斯加州的数值最大:42.4
  • DC 哥伦比亚特区的数值第二大:40.46
  • UT 犹他州的数值最小:14.0

2.分析人均吸烟数的离散程度

Q1 = sk.quantile(0.25)
Q3 = sk.quantile(0.75)
IQR = Q3 - Q1
print('CIG全距(极差)为:',sk.max()-sk.min())
print('CIG的四分位距IQR为:',IQR)
print('CIG的标准差为:',sk.std())

# 运行结果
CIG全距(极差)为: 28.4
CIG的四分位距IQR为: 6.8675
CIG的标准差为: 5.573286082643273

来画个箱图 看一下离散程度.

sk.plot(kind='box',vert=False,figsize=(13,4))

CIG箱图

总体来说不会太分散,只有两个离群值．

# 各州四种癌症 离散程度 箱图
plt.figure(figsize=(6,10))
sns.boxplot(data=data[['BLAD','LUNG','KID','LEUK']])

3.分析吸烟数与某种疾病的关系

分别分析一下 人均吸烟数 与 四种癌症死亡数 的关系

# BLAD 膀胱癌

print ('CIG 与 BLAD 的协方差为:',np.cov(data.CIG,data.BLAD)[0,1])
print ('CIG 与 BLAD 的相关系数为:',np.corrcoef(data.CIG,data.BLAD)[0,1])

# 运行结果
CIG 与 BLAD 的协方差为: 3.78393942918
CIG 与 BLAD 的相关系数为: 0.703621859461


# 画个散点图
plt.scatter(data.CIG, data.BLAD, alpha=0.5)

CIG 与 BLAD 关系散点图

# LUNG 肺癌

print ('CIG 与 LUNG 的协方差为:',np.cov(data.CIG,data.LUNG)[0,1])
print ('CIG 与 LUNG 的相关系数为:',np.corrcoef(data.CIG,data.LUNG)[0,1])

# 运行结果
CIG 与 LUNG 的协方差为: 16.4339634249
CIG 与 LUNG 的相关系数为: 0.697402504928

# 画个散点图
plt.scatter(data.CIG, data.LUNG, alpha=0.5)

CIG 与 LUNG 关系散点图

# KID 肾癌

print ('CIG 与 KID 的协方差为:',np.cov(data.CIG,data.KID)[0,1])
print ('CIG 与 KID 的相关系数为:',np.corrcoef(data.CIG,data.KID)[0,1])

# 运行结果
CIG 与 KID 的协方差为: 1.41000887949
CIG 与 KID 的相关系数为: 0.487389617034

# 画个散点图
plt.scatter(data.CIG, data.KID, alpha=0.5)

CIG 与 KID 关系散点图

# LEUK 白血病

print ('CIG 与 LEUK 的协方差为:',np.cov(data.CIG,data.LEUK)[0,1])
print ('CIG 与 LEUK 的相关系数为:',np.corrcoef(data.CIG,data.LEUK)[0,1])

# 运行结果
CIG 与 LEUK 的协方差为: -0.243601374207
CIG 与 LEUK 的相关系数为: -0.0684812294766

# 画个散点图
plt.scatter(data.CIG, data.LEUK, alpha=0.5)

CIG 与 LEUK 关系散点图

结论

吸烟有害健康. 膀胱癌,肺癌 与 吸烟量有正相关的关系.关系系数约为0.7.