关于睡眠健康数据集的探索

2023-10-09 233

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 关于睡眠健康数据集的探索

一、项目描述

1.背景描述

本数据集涵盖了与睡眠和日常习惯有关的诸多变量。如性别、年龄、职业、睡眠时间、睡眠质量、身体活动水平、压力水平、BMI类别、血压、心率、每日步数、以及是否有睡眠障碍等细节。

2.数据说明

解释说明：睡眠障碍

类型	说明
无	没有表现出任何特定的睡眠障碍。
失眠	有入睡或保持睡眠的困难，导致睡眠不足或质量差
睡眠呼吸暂停	在睡眠过程中出现呼吸暂停，导致睡眠模式紊乱和潜在的健康风险

3.数据来源

www.kaggle.com/datasets/uo…

4.问题描述

全面的睡眠指标：探索睡眠时间、质量和影响睡眠模式的因素。

生活方式因素：分析身体活动水平、压力水平和BMI类别。

心血管健康：检查血压和心率测量。

睡眠障碍分析：识别睡眠障碍的发生，如失眠和睡眠呼吸暂停。

二、数据分析

1.数据读取

import pandas as pd
# encoding要设置，moren utf-8打不开
data=pd.read_csv('Sleep_health_and_lifestyle_dataset.csv',encoding='gb2312')
data.head()

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	ID	性别	年龄	职业	睡眠时长	睡眠质量	身体活动水平	压力水平	BMI	血压	心率	每日步数	睡眠障碍
0	1	男性	27	软件工程师	6.1	6	42	6	超重	126/83	77	4200	无
1	2	男性	28	医生	6.2	6	60	8	正常	125/80	75	10000	无
2	3	男性	28	医生	6.2	6	60	8	正常	125/80	75	10000	无
3	4	男性	28	销售代表	5.9	4	30	8	肥胖	140/90	85	3000	睡眠呼吸暂停
4	5	男性	28	销售代表	5.9	4	30	8	肥胖	140/90	85	3000	睡眠呼吸暂停

2.值范围分析

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 374 entries, 0 to 373
Data columns (total 13 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   ID      374 non-null    int64  
 1   性别      374 non-null    object 
 2   年龄      374 non-null    int64  
 3   职业      374 non-null    object 
 4   睡眠时长    374 non-null    float64
 5   睡眠质量    374 non-null    int64  
 6   身体活动水平  374 non-null    int64  
 7   压力水平    374 non-null    int64  
 8   BMI     374 non-null    object 
 9   血压      374 non-null    object 
 10  心率      374 non-null    int64  
 11  每日步数    374 non-null    int64  
 12  睡眠障碍    374 non-null    object 
dtypes: float64(1), int64(7), object(5)
memory usage: 38.1+ KB

分析可见无空值

3.值范围分析

data['BMI'].unique()

array(['超重', '正常', '肥胖'], dtype=object)

data['睡眠障碍'].unique()

array(['无', '睡眠呼吸暂停', '失眠'], dtype=object)

data['职业'].unique()

array(['软件工程师', '医生', '销售代表', '老师', '护士', '工程师', '会计师', '科学家', '律师',       '营业员', '主管'], dtype=object)

data['性别'].unique()

array(['男性', '女性'], dtype=object)

data['血压'].unique()

array(['126/83', '125/80', '140/90', '120/80', '132/87', '130/86',       '117/76', '118/76', '128/85', '131/86', '128/84', '115/75',       '135/88', '129/84', '130/85', '115/78', '119/77', '121/79',       '125/82', '135/90', '122/80', '142/92', '140/95', '139/91',       '118/75'], dtype=object)

4.血压处理

data = pd.concat([data,data['血压'].str.split('/',expand = True)],axis = 1)
data.rename({0:'收缩压',1:'舒张压'},inplace=True,axis=1) 
data['收缩压']=data['收缩压'].astype('float32')
data['舒张压']=data['舒张压'].astype('float32')
data.drop('血压', axis=1)
data.head()

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	ID	性别	年龄	职业	睡眠时长	睡眠质量	身体活动水平	压力水平	BMI	血压	心率	每日步数	睡眠障碍	收缩压	舒张压
0	1	男性	27	软件工程师	6.1	6	42	6	超重	126/83	77	4200	无	126.0	83.0
1	2	男性	28	医生	6.2	6	60	8	正常	125/80	75	10000	无	125.0	80.0
2	3	男性	28	医生	6.2	6	60	8	正常	125/80	75	10000	无	125.0	80.0
3	4	男性	28	销售代表	5.9	4	30	8	肥胖	140/90	85	3000	睡眠呼吸暂停	140.0	90.0
4	5	男性	28	销售代表	5.9	4	30	8	肥胖	140/90	85	3000	睡眠呼吸暂停	140.0	90.0

5.热力图

import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline 
plt.figure(figsize=(10,6))
sns.heatmap(data.drop('ID',axis=1).corr(),annot=True,fmt="1.1f");