一、赛事背景
截至 2022 年，中国糖尿病患者近 1.3 亿。中国糖尿病患病原因受生活方式、老龄化、城市化、家族遗传等多种因素影响。同时，糖尿病患者趋向年轻化。
糖尿病可导致心血管、肾脏、脑血管并发症的发生。因此，准确诊断出患有糖尿病个体具有非常重要的临床意义。糖尿病早期遗传风险预测将有助于预防糖尿病的发生。
根据《中国 2 型糖尿病防治指南（2017 年版）》，糖尿病的诊断标准是具有典型糖尿病症状（烦渴多饮、多尿、多食、不明原因的体重下降）且随机静脉血浆葡萄糖≥11.1mmol/L 或空腹静脉血浆葡萄糖≥7.0mmol/L 或口服葡萄糖耐量试验（OGTT）负荷后 2h 血浆葡萄糖≥11.1mmol/L。
在这次比赛中，您需要通过训练数据集构建糖尿病遗传风险预测模型，然后预测出测试数据集中个体是否患有糖尿病，和我们一起帮助糖尿病患者解决这“甜蜜的烦恼”。
二、赛事任务
2.1 数据集字段说明
编号：标识个体身份的数字；
性别：1 表示男性，0 表示女性；
出生年份：出生的年份；
体重指数：体重除以身高的平方，单位 kg/m2;
糖尿病家族史：标识糖尿病的遗传特性，记录家族里面患有糖尿病的家属，分成三种标识，分别是父母有一方患有糖尿病、叔叔或者姑姑有一方患有糖尿病、无记录；
舒张压：心脏舒张时，动脉血管弹性回缩时，产生的压力称为舒张压，单位 mmHg；
口服耐糖量测试：诊断糖尿病的一种实验室检查方法。比赛数据采用 120 分钟耐糖测试后的血糖值，单位 mmol/L；
胰岛素释放实验：空腹时定量口服葡萄糖刺激胰岛β细胞释放胰岛素。比赛数据采用服糖后 120 分钟的血浆胰岛素水平，单位 pmol/L；
肱三头肌皮褶厚度：在右上臂后面肩峰与鹰嘴连线的重点处，夹取与上肢长轴平行的皮褶，纵向测量，单位 cm；
患有糖尿病标识：数据标签，1 表示患有糖尿病，0 表示未患有糖尿病。
2.2 训练集说明
训练集（比赛训练集.csv）一共有 5070 条数据，用于构建您的预测模型（您可能需要先进行数据分析）。数据的字段有编号、性别、出生年份、体重指数、糖尿病家族史、舒张压、口服耐糖量测试、胰岛素释放实验、肱三头肌皮褶厚度、患有糖尿病标识（最后一列），您也可以通过特征工程技术构建新的特征。
2.3 测试集说明
测试集（比赛测试集.csv）一共有 1000 条数据，用于验证预测模型的性能。数据的字段有编号、性别、出生年份、体重指数、糖尿病家族史、舒张压、口服耐糖量测试、胰岛素释放实验、肱三头肌皮褶厚度。
三、提交说明
对于测试数据集当中的个体，您必须预测其是否患有糖尿病（患有糖尿病：1，未患有糖尿病：0），预测值只能是整数 1 或者 0。提交的数据应该具有如下格式：
uuid,label
1,0
2,1
3,1
...
本次比赛中，预测模型的结果文件需要命名成：预测结果.csv，然后提交。请确保您提交的文件格式规范。
四、评估指标
对于提交的结果，系统会采用二分类任务中的 F1-score 指标进行评价，F1-score 越大说明预测模型性能越好，F1-score 的定义如下：
其中：
五、数据分析
5.1 导入数据
解压比赛数据，并使用 pandas 进行读取；
import pandas as pd
train_df = pd.read_csv('./糖尿病遗传风险预测挑战赛公开数据/比赛训练集.csv', encoding='gbk')test_df = pd.read_csv('./糖尿病遗传风险预测挑战赛公开数据/比赛测试集.csv', encoding='gbk')
print(train_df.shape, test_df.shape)print(train_df.dtypes, test_df.dtypes)
复制代码
5.2 查看训练集和测试集字段类型
5.3 统计字段的缺失值
编号 0性别 0出生年份 0体重指数 0糖尿病家族史 0舒张压 247口服耐糖量测试 0胰岛素释放实验 0肱三头肌皮褶厚度 0患有糖尿病标识 0dtype: int64
复制代码
编号 0性别 0出生年份 0体重指数 0糖尿病家族史 0舒张压 49口服耐糖量测试 0胰岛素释放实验 0肱三头肌皮褶厚度 0dtype: int64
复制代码
训练集和测试集各列缺失比例计算
唯一包含缺失值的是舒张压这一列，且缺失值占比不大。
但是明显的发现训练集中：
口服耐糖量测试为-1 的也属于缺失值，胰岛素释放实验为 0 的也属于缺失值，肱三头肌厚度为 0 的也属于缺失值，待后面在处理。
5.4 分析字段类型。
训练集和测试集描述
5.5 字段相关性
import matplotlib.pyplot as pltimport seaborn as snsplt.rcParams['font.sans-serif'] = ['FangSong'] # 用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
# 训练集相关性热力图矩阵plt.subplots(figsize=(10,10))sns.heatmap(train_df.corr(method='pearson'), annot=True, vmax=1, square=True, cmap='YlGnBu')plt.savefig('train_pearson.jpg', dpi=800)
复制代码
训练集相关性热力图矩阵
测试集相关性热力图矩阵
# 测试集相关性热力图矩阵plt.subplots(figsize=(10,10))sns.heatmap(test_df.corr(method='pearson'), annot=True, vmax=1, square=True, cmap='YlGnBu')plt.savefig('test_pearson.jpg', dpi=800)
复制代码
从热力图可以看出，训练集中体重指数和肱三头肌皮褶厚度与标签的相关性相对较高，肱三头肌皮褶厚度与标签的相关性最高。各字段之间的相关性普遍不高。
六、逻辑回归尝试
6.1 导入 sklearn 的逻辑回归
# 构建逻辑回归模型import numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.pipeline import make_pipeline
复制代码
# 构建逻辑回归模型model = make_pipeline( MinMaxScaler(), LogisticRegression())model.fit(train_dataset,train_data["患有糖尿病标识"])
复制代码
6.2 使用训练集和逻辑回归进行训练，并在测试集上进行预测
test_dataset["label"] = model.predict(test_dataset.drop(["编号"],axis=1))test_dataset.rename({"编号":'uuid'},axis=1)[['uuid','label']].to_csv("submit_lr.csv",index=None)
复制代码
6.3 提交结果
6.4 尝试决策树模型
# 尝试构建决策树模型model = make_pipeline( MinMaxScaler(), DecisionTreeClassifier() )model.fit(train_dataset,train_data["患有糖尿病标识"])
test_dataset["label"] = model.predict(test_dataset.drop(["编号",'label'],axis=1))test_dataset.rename({"编号":'uuid'},axis=1)[['uuid','label']].to_csv("submit_dt.csv",index=None)
复制代码
结果：
七、特征工程
7.1 统计每个性别对应的[体重指数]、[舒张压]平均值
train_dataset.groupby("性别")["体重指数"].apply(np.mean)
复制代码
7.2 计算每个患者与每个性别平均值的差异
"""人体的成人体重指数正常值是在18.5-24之间低于18.5是体重指数过轻在24-27之间是体重超重27以上考虑是肥胖高于32了就是非常的肥胖。"""def BMI(a): if a<18.5: return 0 elif 18.5<=a<=24: return 1 elif 24<a<=27: return 2 elif 27<a<=32: return 3 else: return 4 data['BMI']=data['体重指数'].apply(BMI)data['出生年份']=2022-data['出生年份'] #换成年龄#糖尿病家族史"""无记录叔叔或者姑姑有一方患有糖尿病/叔叔或姑姑有一方患有糖尿病父母有一方患有糖尿病"""def FHOD(a): if a=='无记录': return 0 elif a=='叔叔或者姑姑有一方患有糖尿病' or a=='叔叔或姑姑有一方患有糖尿病': return 1 else: return 2 data['糖尿病家族史']=data['糖尿病家族史'].apply(FHOD)data['舒张压']=data['舒张压'].fillna(-1)"""舒张压范围为60-90"""def DBP(a): if a<60: return 0 elif 60<=a<=90: return 1 elif a>90: return 2 else: return adata['DBP']=data['舒张压'].apply(DBP)data
复制代码
八、高阶树模型
8.1 安装 lightgbm
import lightgbm as lgbimport pandas as pdimport numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.tree import DecisionTreeClassifierfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.pipeline import make_pipelinefrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score
复制代码
8.2 将训练集 20%划分为验证集，使用 LightGBM 完成训练
train_data = pd.read_csv("比赛训练集.csv",encoding='gbk')test_data = pd.read_csv("比赛测试集.csv",encoding='gbk')
train_data = pd.get_dummies(train_data)test_data = pd.get_dummies(test_data)# 划分数据集train_x,valid_x = train_test_split(train_data,test_size=0.2)
clf_lgb = lgb.LGBMClassifier( max_depth=3, n_estimators=4000, n_jobs=-1, verbose=-1, verbosity=-1, learning_rate=0.1,)clf_lgb.fit(train_x.drop(["患有糖尿病标识"],axis=1),train_x["患有糖尿病标识"])predicts = clf_lgb.predict(valid_x.drop(["患有糖尿病标识"],axis=1))print(accuracy_score(valid_x["患有糖尿病标识"], predicts))
[LightGBM] [Warning] verbosity is set=-1, verbose=-1 will be ignored. Current value: verbosity=-10.9546351084812623
# 搜索参数kfold = StratifiedKFold(n_splits=5,shuffle=True,random_state=2022)classifier = lgb.LGBMClassifier()params = { " max_depth":[4,5,6], "n_estimators":[3000,4000,5000], "learning_rate":[0.15,0.2,0.25]}clf = GridSearchCV(estimator=classifier,param_grid=params,verbose=True,cv=kfold)clf.fit(train_x.drop(["患有糖尿病标识"],axis=1),train_x["患有糖尿病标识"])predicts1 = clf.best_estimator_.predict(valid_x.drop(["患有糖尿病标识"],axis=1))print(accuracy_score(valid_x["患有糖尿病标识"], predicts1))
复制代码
九、多折训练与集成
import pandas as pdimport numpy as npimport seaborn as snsfrom sklearn.model_selection import KFoldimport lightgbm as lgb
# 读取数据train_df = pd.read_csv('./糖尿病遗传风险预测挑战赛公开数据/比赛训练集.csv', encoding='gbk')test_df = pd.read_csv('./糖尿病遗传风险预测挑战赛公开数据/比赛测试集.csv', encoding='gbk')
# 基础特征工程train_df['体重指数_round'] = train_df['体重指数'] // 10test_df['体重指数_round'] = train_df['体重指数'] // 10
train_df['口服耐糖量测试'] = train_df['口服耐糖量测试'].replace(-1, np.nan)test_df['口服耐糖量测试'] = test_df['口服耐糖量测试'].replace(-1, np.nan)
dict_糖尿病家族史 = { '无记录': 0, '叔叔或姑姑有一方患有糖尿病': 1, '叔叔或者姑姑有一方患有糖尿病': 1, '父母有一方患有糖尿病': 2}
train_df['糖尿病家族史'] = train_df['糖尿病家族史'].map(dict_糖尿病家族史)test_df['糖尿病家族史'] = test_df['糖尿病家族史'].map(dict_糖尿病家族史)
train_df['糖尿病家族史'] = train_df['糖尿病家族史'].astype('category')test_df['糖尿病家族史'] = train_df['糖尿病家族史'].astype('category')
train_df['性别'] = train_df['性别'].astype('category')test_df['性别'] = train_df['性别'].astype('category')
train_df['年龄'] = 2022 - train_df['出生年份']test_df['年龄'] = 2022 - test_df['出生年份']
train_df['口服耐糖量测试_diff'] = train_df['口服耐糖量测试'] - train_df.groupby('糖尿病家族史').transform('mean')['口服耐糖量测试']test_df['口服耐糖量测试_diff'] = test_df['口服耐糖量测试'] - test_df.groupby('糖尿病家族史').transform('mean')['口服耐糖量测试']
# 模型交叉验证def run_model_cv(model, kf, X_tr, y, X_te, cate_col=None): train_pred = np.zeros( (len(X_tr), len(np.unique(y))) ) test_pred = np.zeros( (len(X_te), len(np.unique(y))) )
cv_clf = [] for tr_idx, val_idx in kf.split(X_tr, y): x_tr = X_tr.iloc[tr_idx]; y_tr = y.iloc[tr_idx]
x_val = X_tr.iloc[val_idx]; y_val = y.iloc[val_idx]
call_back = [ lgb.early_stopping(50), ] eval_set = [(x_val, y_val)] model.fit(x_tr, y_tr, eval_set=eval_set, callbacks=call_back, verbose=-1)
cv_clf.append(model)
train_pred[val_idx] = model.predict_proba(x_val) test_pred += model.predict_proba(X_te)
test_pred /= kf.n_splits return train_pred, test_pred, cv_clf
clf = lgb.LGBMClassifier( max_depth=3, n_estimators=4000, n_jobs=-1, verbose=-1, verbosity=-1, learning_rate=0.1,)
train_pred, test_pred, cv_clf = run_model_cv( clf, KFold(n_splits=5), train_df.drop(['编号', '患有糖尿病标识'], axis=1), train_df['患有糖尿病标识'], test_df.drop(['编号'], axis=1),)
print((train_pred.argmax(1) == train_df['患有糖尿病标识']).mean())test_df['label'] = test_pred.argmax(1)test_df.rename({'编号': 'uuid'}, axis=1)[['uuid', 'label']].to_csv('submit.csv', index=None)
复制代码
结果：
评论