引言：心脏病数据分析的临床意义

心血管疾病是全球死亡率最高的疾病之一，据世界卫生组织统计，每年约有 1790 万人死于心血管疾病。早期筛查与精准预测是降低心脏病死亡率的关键。本研究基于医疗数据集，通过数据预处理、探索性分析及机器学习建模，构建高效的心脏病预测模型，为临床决策提供数据支持。以下将从数据处理到模型部署的全流程展开分析，揭示心脏病发病的关键影响因素，并对比不同机器学习算法的预测效能。

一、数据导入与初步探索

1.1 数据集概述

本研究使用的Medicaldataset.csv包含 1319 条患者记录，涵盖 9 个特征，包括年龄、性别、心率、血压、血糖、心肌酶指标（CK-MB、肌钙蛋白）及诊断结果（positive/negative）。其中，Result为目标变量，表征患者是否患心脏病。

1.2 关键库与环境配置

首先导入数据分析与建模所需的核心库：

python

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import scipy.stats as stats
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from xgboost import XGBClassifier
from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc
import warnings
warnings.filterwarnings('ignore')

• 数据处理库：Pandas 用于数据读取与清洗，Numpy 处理数值计算；
• 可视化库：Matplotlib 绘制统计图表，直观展示数据分布；
• 机器学习库：Scikit-learn 提供经典分类模型，XGBoost 用于提升树模型；
• 评估工具：使用分类报告、混淆矩阵及 ROC 曲线量化模型性能。

1.3 数据读取与初步检查

通过pd.read_csv()读取数据并查看基本信息：

python

data = pd.read_csv('Medicaldataset.csv')
print("数据基本信息：")
data.info()
print("\n数据前5行：")
data.head()

输出显示数据集无缺失值，包含 1319 条完整记录，特征类型包括数值型（int64/float64）和分类变量（object）。关键特征如年龄、心肌酶指标等均为连续变量，诊断结果为二分类变量。

二、数据预处理：清洗与标准化

2.1 异常值检测与处理

通过箱线图可视化各特征分布，发现心率、收缩压、舒张压存在极端异常值（如心率 > 1000 次 / 分钟，收缩压 < 50mmHg）。这类值明显超出生理范围，可能为录入错误，需删除：

python

# 绘制箱线图检测异常值
feature_map = {
    'Age': '年龄',
    'Heart rate': '心率',
    'Systolic blood pressure': '收缩压',
    'Diastolic blood pressure': '舒张压',
    'Blood sugar': '血糖',
    'CK-MB': '肌酸激酶同工酶',
    'Troponin': '肌钙蛋白'
}
plt.figure(figsize=(20, 10))
for i, (col, col_name) in enumerate(feature_map.items(), 1):
    plt.subplot(2, 4, i)
    plt.boxplot(data[col])
    plt.title(f'{col_name}的箱线图')
plt.tight_layout()
plt.show()

# 处理异常值
data = data[data['Heart rate'] <= 1000]
data = data[data['Systolic blood pressure'] >= 50]
data = data[data['Diastolic blood pressure'] <= 140]
print(f"处理前数据量: {len(data)}，处理后数据量: {len(data)}")

处理后数据量从 1319 条减少至 1314 条，异常值被有效剔除。

2.2 逻辑错误修正：血压值调换

检查发现 6 条记录中舒张压大于收缩压（生理上不可能），推测为录入反值，需调换：

python

wrong_bloodpressure = data[data['Diastolic blood pressure'] > data['Systolic blood pressure']]
print(f"发现舒张压大于收缩压的记录数: {len(wrong_bloodpressure)}")
# 调换值
wrong_index = wrong_bloodpressure.index
data.loc[wrong_index, ['Systolic blood pressure', 'Diastolic blood pressure']] = data.loc[wrong_index, ['Diastolic blood pressure', 'Systolic blood pressure']].values

修正后重新绘制箱线图，数据分布更符合生理规律。

2.3 数据标准化与二分类转换

将目标变量Result转换为 0-1 二分类（negative=0，positive=1），并对连续特征（年龄、心肌酶等）进行标准化，避免模型受特征量纲影响：

python

# 二分类转换
data['Result_Binary'] = (data['Result'] == 'positive').astype(int)
# 定义特征与目标变量
features = ['Gender', 'Age', 'CK-MB', 'Troponin']
x = data[features].copy()
y = data['Result_Binary']
# 标准化连续变量
continuous_vars = ['Age', 'CK-MB', 'Troponin']
scaler = StandardScaler()
x.loc[:, continuous_vars] = scaler.fit_transform(x[continuous_vars])
# 划分训练集与测试集（8:2）
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=15, stratify=y)

stratify=y确保训练集与测试集的正负样本比例一致，避免模型因样本不均衡产生偏差。

三、探索性数据分析（EDA）：揭示心脏病相关特征

3.1 患者基础特征分布

通过直方图、核密度图与饼图展示人群特征：

python

plt.figure(figsize=(20, 15))
# 年龄分布
plt.subplot(3, 3, 1)
data['Age'].plot(kind='kde', color='red', label='核密度图')
data['Age'].plot(kind='hist', bins=12, secondary_y=True)
plt.title('患者年龄分布')
# 性别分布
plt.subplot(3, 3, 2)
gender_counts = data['Gender'].value_counts()
plt.pie(gender_counts, labels=['男', '女'], autopct="%1.1f%%", colors=['#66b3ff', '#ff9999'])
plt.title('患者性别分布')
# 其他生理指标分布（心率、血压等，代码略）

关键发现：

• 年龄：平均 56.2 岁，范围 14-103 岁，集中在 55-65 岁区间，提示中老年为高发人群；
• 性别：男性占 65.98%（870 人），女性占 34.02%（449 人），男性患病比例显著更高；
• 心肌酶指标：CK-MB 平均 15.3，肌钙蛋白平均 0.36，部分患者值极高（如 CK-MB 达 300），提示心肌损伤程度与诊断结果相关。

• 

3.2 诊断结果与特征的关联性分析

通过箱线图对比患病（positive）与未患病（negative）组的特征差异：

python

fig = plt.figure(figsize=(20, 16))
# 年龄与诊断结果关系
plt.subplot(3, 3, 1)
positive_ages = data[data['Result'] == 'positive']['Age']
negative_ages = data[data['Result'] == 'negative']['Age']
plt.boxplot([positive_ages, negative_ages], labels=['Positive', 'Negative'])
plt.title('年龄与心脏病诊断结果的关系')
# 肌钙蛋白与诊断结果关系
plt.subplot(3, 3, 8)
data.boxplot(column='Troponin', by='Result')
plt.title('肌钙蛋白与心脏病诊断结果的关系')
# 其他特征（心率、血压等，代码略）

核心结论：

• 心肌酶指标：患病组的 CK-MB 和肌钙蛋白水平显著高于未患病组，尤其是肌钙蛋白差异极为明显（患病组中位数 0.085 vs 未患病组 0.014），印证心肌酶是心脏病诊断的金标准；
• 年龄：患病组年龄中位数（58 岁）高于未患病组（55 岁），提示年龄是独立风险因素；
• 性别：患病组中男性占比 71.5%，进一步证实男性患病风险更高；
• 常规生理指标：心率、血压、血糖在两组间差异不显著，可能需结合其他因素综合判断。

四、机器学习模型构建与评估

4.1 模型评估函数定义

为统一评估标准，定义evaluate_model函数，实现模型训练、预测及多维度评估（分类报告、混淆矩阵、ROC 曲线）：

python

def evaluate_model(model, model_name, X_train, X_test, y_train, y_test):
    # 训练模型
    model.fit(X_train, y_train)
    # 预测
    y_pred = model.predict(X_test)
    # 分类报告
    print(f"=== {model_name} 模型评估 ===")
    print(classification_report(y_test, y_pred))
    # 混淆矩阵
    cm = confusion_matrix(y_test, y_pred)
    plt.figure(figsize=(8, 6))
    plt.imshow(cm, cmap='hot', interpolation='nearest')
    for i in range(2):
        for j in range(2):
            plt.text(j, i, f'{cm[i, j]}', ha='center', va='center', color='black')
    plt.title(f'{model_name}模型混淆矩阵')
    # ROC曲线
    if hasattr(model, "predict_proba"):
        y_prob = model.predict_proba(X_test)[:, 1]
    else:
        y_prob = model.decision_function(X_test) if hasattr(model, "decision_function") else y_pred
    fpr, tpr, _ = roc_curve(y_test, y_prob)
    roc_auc = auc(fpr, tpr)
    plt.figure(figsize=(8, 6))
    plt.plot(fpr, tpr, label=f'ROC曲线(面积 = {roc_auc:.2f})')
    plt.plot([0, 1], [0, 1], 'k--')
    plt.title(f'{model_name}模型ROC曲线')
    return model, roc_auc

4.2 模型对比与结果分析

1. 逻辑回归模型（Logistic Regression）

   python

   lr_model = LogisticRegression(random_state=15, class_weight='balanced')
   lr_model, lr_auc = evaluate_model(lr_model, "逻辑回归", x_train, x_test, y_train, y_test)
   

   

   评估结果：

   • 准确率 83%，但存在明显类别不平衡问题：负类（0）召回率 98%，正类（1）召回率仅 74%；
   • ROC 曲线下面积（AUC）0.85，提示模型对正类的识别能力有限，可能因线性模型无法捕捉特征间复杂关系。

2. 决策树模型（DecisionTreeClassifier）

   python

   dt_model = DecisionTreeClassifier(random_state=15, class_weight='balanced')
   dt_model, dt_auc = evaluate_model(dt_model, "决策树", x_train, x_test, y_train, y_test)
   

   

   评估结果：

   • 准确率 98%，正负类的精确率、召回率、F1 分数均接近 1.0，表现极佳；
   • 决策树能自动捕捉特征重要性（如肌钙蛋白、CK-MB 为关键分裂节点），但需注意过拟合风险（训练集表现可能优于测试集）。

3. 随机森林模型（RandomForestClassifier）

   python

   rf_model = RandomForestClassifier(random_state=15, class_weight='balanced')
   rf_model, rf_auc = evaluate_model(rf_model, "随机森林", x_train, x_test, y_train, y_test)
   

    

   评估结果：

   • 准确率 97%，AUC 0.97，综合性能优异；
   • 集成学习通过多棵决策树投票降低方差，相比单棵决策树泛化能力更强，对异常值鲁棒性更高。

4. XGBoost 模型（XGBClassifier）

   python

   xgb_model = XGBClassifier(random_state=15, scale_pos_weight=sum(y_train==0)/sum(y_train==1))
   xgb_model, xgb_auc = evaluate_model(xgb_model, "XGBoost", x_train, x_test, y_train, y_test)
   

    

   评估结果：

   • 准确率 97%，AUC 0.98，与随机森林相当，但训练速度更快；
   • 通过梯度提升策略迭代优化树模型，能有效处理特征交互，是结构化数据建模的首选算法之一。

5. 支持向量机模型（SVC）

   python

   svm_model = SVC(random_state=15, class_weight='balanced', probability=True)
   svm_model, svm_auc = evaluate_model(svm_model, "支持向量机", x_train, x_test, y_train, y_test)
   

    

   评估结果：

   • 准确率仅 77%，正负类召回率失衡（负类 93%，正类 67%）；
   • SVM 在高维空间中表现较好，但对本数据集的非线性关系捕捉能力不足，且对特征标准化要求更高。

4.3 模型性能总结与对比

模型	准确率	正类召回率	负类召回率	AUC	优势场景
逻辑回归	83%	74%	98%	0.85	可解释性强，线性关系建模
决策树	98%	99%	98%	0.99	特征重要性分析，快速建模
随机森林	97%	96%	98%	0.97	抗噪声，泛化能力强
XGBoost	97%	97%	98%	0.98	高精度，大规模数据处理
支持向量机	77%	67%	93%	0.79	高维稀疏数据，非线性场景

关键结论：树模型（决策树、随机森林、XGBoost）显著优于线性模型（逻辑回归）和 SVM，原因在于：

• 心脏病发病机制涉及多特征交互（如年龄与肌钙蛋白的联合影响），树模型能自动捕捉非线性关系；
• 心肌酶指标（CK-MB、肌钙蛋白）与诊断结果的强相关性，被树模型优先作为分裂节点，提升分类精度；
• 集成学习方法通过降低方差，避免单棵决策树的过拟合问题，更适合临床数据的噪声特性。

五、临床意义与模型应用展望

5.1 关键风险因素总结

• 生物标志物优先：肌钙蛋白和 CK-MB 是最核心的预测因子，其水平升高提示心肌细胞损伤，与心脏病诊断高度相关；
• 年龄与性别协同作用：男性及中老年人群风险显著更高，临床筛查需重点关注；
• 多指标综合评估：尽管心率、血压等常规指标在模型中权重较低，但结合心肌酶指标可进一步提升预测可靠性。

5.2 模型的临床应用价值

1. 早期筛查工具：将 XGBoost 或随机森林模型部署为临床决策支持系统，通过检测心肌酶指标与年龄、性别，快速识别高风险人群；
2. 预后评估：模型可辅助判断患者病情严重程度，为治疗方案选择提供数据支撑；
3. 健康教育：基于特征重要性分析，向公众强调心肌酶检测的重要性，提升预防意识。

5.3 局限性与未来优化方向

• 数据局限性：本研究样本量有限（1314 条），且未包含更多临床变量（如血脂、心电图结果），未来可纳入多中心数据提升泛化能力；
• 模型可解释性：树模型虽性能优异，但缺乏逻辑回归的可解释性，可结合 SHAP 值或 LIME 等工具解析模型决策逻辑；
• 实时监测：结合穿戴设备数据（如实时心率、血压），构建动态预测模型，实现心脏病发作的实时预警。

• 

  

结论

本研究通过对心脏病数据集的系统分析，证实心肌酶指标（肌钙蛋白、CK-MB）是最关键的预测因子，且树模型（尤其是 XGBoost 和随机森林）在分类任务中表现卓越，准确率可达 97% 以上。这一结果为临床心脏病早期筛查提供了数据驱动的解决方案，未来可通过整合更多维度的临床数据，进一步提升模型的预测精度与实用价值。数据分析与机器学习的结合，正逐步成为精准医学领域不可或缺的技术手段，为重大疾病的预防与治疗开辟新路径。