Toydata - Scikit-Learn - Diabetes

January 16, 2023

Scikit-Learn 의 Diabetes 데이터셋

사이킷런에서 제공하는 여러 토이데이터셋 가운데 diabetes (당뇨병) 살펴보기

schikit learn 의 diabetes 데이터

사이킷런 제공 연습데이터셋 리스트

diabetes 공식문서

데이터 확인

불러오기

기본적인 방법으로 데이터 불러오기

# 라이브러리 임포트
from sklearn import datasets

# 당뇨병데이터 불러오기
diabetes = datasets.load_diabetes()

데이터 확인

sklearn 에서 제공하는 토이데이터는 딕셔너리형태로 제공
- 딕셔너리 형태는 {key : value}
- 예
  {‘이름’ : ‘홍길동’,
  ‘사는곳’ : ‘아산시 탕정면’,
  ‘age’ : 38}
데이터 딕셔너리가 가지고 있는 key 가 무엇이 있는지 확인
```
diabetes.keys()
```
dict_keys([‘data’, ‘target’, ‘frame’, ‘DESCR’, ‘feature_names’, ‘data_filename’, ‘target_filename’, ‘data_module’])
- key를 하나하나 확인하여 key에 있는 value를 확인해보자
data
```
diabetes.data
```
array([[ 0.03807591, 0.05068012, 0.06169621, …, -0.00259226, 0.01990842, -0.01764613], [-0.00188202, -0.04464164, -0.05147406, …, -0.03949338, -0.06832974, -0.09220405], [ 0.08529891, 0.05068012, 0.04445121, …, -0.00259226, 0.00286377, -0.02593034], …, [ 0.04170844, 0.05068012, -0.01590626, …, -0.01107952, -0.04687948, 0.01549073], [-0.04547248, -0.04464164, 0.03906215, …, 0.02655962, 0.04452837, -0.02593034], [-0.04547248, -0.04464164, -0.0730303 , …, -0.03949338, -0.00421986, 0.00306441]])
- 흔히 독립변수, 피쳐라고 부르는 데이터들이 나온다
- 행과 열이 있는 2차원 배열이다
target
```
diabetes.target
```
array([151., 75., 141., 206., 135., 97., 138., 63., 110., 310., 101., 69., 179., 185., 118., 171., 166., 144., 97., 168., 68., 49., 68., 245., 184., 202., 137., 85., 131., 283., 129., 59., 341., 87., 65., 102., 265., 276., 252., 90., 100., 55., 61., 92., 259., 53., 190., 142., 75., 142., 155., 225., 59., 104., 182., 128., 52., 37., 170., 170., 61., 144., 52., 128., 71., 163., 150., 97., 160., 178., 48., 270., 202., 111., 85., 42., 170., 200., 252., 113., 143., 51., 52., 210., 65., 141., 55., 134., 42., 111., 98., 164., 48., 96., 90., 162., 150., 279., 92., 83., 128., 102., 302., 198., 95., 53., 134., 144., 232., 81., … …
- 종속변수, 타겟이라고 부르는 데이터
- 1차원 배열

DESCR

print(diabetes.DESCR)

Diabetes dataset
----------------
Ten baseline variables, age, sex, body mass index, average blood
pressure, and six blood serum measurements were obtained for each of n =
442 diabetes patients, as well as the response of interest, a
quantitative measure of disease progression one year after baseline.

**Data Set Characteristics:**

  :Number of Instances: 442

  :Number of Attributes: First 10 columns are numeric predictive values

  :Target: Column 11 is a quantitative measure of disease progression one year after baseline

  :Attribute Information:
      - age     age in years
      - sex
      - bmi     body mass index
      - bp      average blood pressure
      - s1      tc, total serum cholesterol
      - s2      ldl, low-density lipoproteins
      - s3      hdl, high-density lipoproteins
      - s4      tch, total cholesterol / HDL
      - s5      ltg, possibly log of serum triglycerides level
      - s6      glu, blood sugar level

Note: Each of these 10 feature variables have been mean centered and scaled by the standard deviation times `n_samples` (i.e. the sum of squares of each column totals 1).

Source URL:
https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html

For more information see:
Bradley Efron, Trevor Hastie, Iain Johnstone and Robert Tibshirani (2004) "Least Angle Regression," Annals of Statistics (with discussion), 407-499.
(https://web.stanford.edu/~hastie/Papers/LARS/LeastAngle_2002.pdf)

데이터에 대한 소개를 볼 수 있는 key
혈액정보가 포함되어있는 10개의 당뇨병과 관련된 변수
각 변수는 442개 측정값
종속변수는 1년 후의 병의 경과에 대한 양적인 측정값
각 변수는 평균중심화하고, 표준편차와 샘플 수의 곱으로 나누었음
- 평균은 0, 합은 1로 변형

feature_names
```
diabetes.feature_names
```
- 각 독립변수(=피쳐)의 이름
data_filename, target_filename
```
print(diabetes.data_filename)
print(diabetes.target_filename)
```
- 데이터파일 이름과, 타겟파일 이름

데이터 준비

pandas 데이터프레임

import pandas as pd

df = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
df['target'] = diabetes.target
df

diabetes.data 을 데이터프레임 df로 지정
df에 target 추가

df 정보

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 442 entries, 0 to 441
Data columns (total 11 columns):
#   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
0   age     442 non-null    float64
1   sex     442 non-null    float64
2   bmi     442 non-null    float64
3   bp      442 non-null    float64
4   s1      442 non-null    float64
5   s2      442 non-null    float64
6   s3      442 non-null    float64
7   s4      442 non-null    float64
8   s5      442 non-null    float64
9   s6      442 non-null    float64
10  target  442 non-null    float64
dtypes: float64(11)
memory usage: 38.1 KB

테이터타입은 판다스 데이터프레임
442개 인덱스
11개 컬럼
11개 컬럼 모두 float(소수형) 타입

기술통계

df.describe()

	age	sex	bmi	bp	s1	s2	s3	s4	s5	s6	target
count	442.000	442.000	442.000	442.000	442.000	442.000	442.000	442.000	442.000	442.000	442.000
mean	-0.000	0.000	-0.000	0.000	-0.000	0.000	-0.000	0.000	-0.000	-0.000	152.133
std	0.048	0.048	0.048	0.048	0.048	0.048	0.048	0.048	0.048	0.048	77.093
min	-0.107	-0.045	-0.090	-0.112	-0.127	-0.116	-0.102	-0.076	-0.126	-0.138	25.000
25%	-0.037	-0.045	-0.034	-0.037	-0.034	-0.030	-0.035	-0.039	-0.033	-0.033	87.000
50%	0.005	-0.045	-0.007	-0.006	-0.004	-0.004	-0.007	-0.003	-0.002	-0.001	140.500
75%	0.038	0.051	0.031	0.036	0.028	0.030	0.029	0.034	0.032	0.028	211.500
max	0.111	0.051	0.171	0.132	0.154	0.199	0.181	0.185	0.134	0.136	346.000

10개 피쳐들의 평균이 0이다.

df.describe()

||sum | |:—:|:—:| | age |-0.000 | | sex |0.000 | | bmi |-0.000 | | bp |0.000 | | s1 |-0.000 | | s2 |0.000 | | s3 |-0.000 | | s4 |0.000 | | s5 |-0.000 | | s6 |-0.000 | | target |67243.000 |

10개 변수들의 합계는 0이다.

df.isna().sum()

||0 | |:—:|:—:| | age |0.000 | | sex |0.000 | | bmi |0.000 | | bp |0.000 | | s1 |0.000 | | s2 |0.000 | | s3 |0.000 | | s4 |0.000 | | s5 |0.000 | | s6 |0.000 | | target |0.000 |

혹시나 해서 결측값을 찾아보았지만, 결측값은 없다.

df.duplicated().sum()

중복값도 없다.

상관관계

df.corr()

	age	sex	bmi	bp	s1	s2	s3	s4	s5	s6	target
age	1.000	0.174	0.185	0.335	0.260	0.219	-0.075	0.204	0.271	0.302	0.188
sex	0.174	1.000	0.088	0.241	0.035	0.143	-0.379	0.332	0.150	0.208	0.043
bmi	0.185	0.088	1.000	0.395	0.250	0.261	-0.367	0.414	0.446	0.389	0.586
bp	0.335	0.241	0.395	1.000	0.242	0.186	-0.179	0.258	0.393	0.390	0.441
s1	0.260	0.035	0.250	0.242	1.000	0.897	0.052	0.542	0.516	0.326	0.212
s2	0.219	0.143	0.261	0.186	0.897	1.000	-0.196	0.660	0.318	0.291	0.174
s3	-0.075	-0.379	-0.367	-0.179	0.052	-0.196	1.000	-0.738	-0.399	-0.274	-0.395
s4	0.204	0.332	0.414	0.258	0.542	0.660	-0.738	1.000	0.618	0.417	0.430
s5	0.271	0.150	0.446	0.393	0.516	0.318	-0.399	0.618	1.000	0.465	0.566
s6	0.302	0.208	0.389	0.390	0.326	0.291	-0.274	0.417	0.465	1.000	0.382
target	0.188	0.043	0.586	0.441	0.212	0.174	-0.395	0.430	0.566	0.382	1.000

가장 마지막 행이 타겟이기 때문에, 타겟행만 보면…
- 체질량지수(bmi)와 혈청 트리글리세리드 수치(s5)가 상관관계가 높다.

상관관계 표 보기좋게 그리기

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 상관관계 히트맵 그리기
coff_df = df.corr()

# 그림 사이즈 지정
fig, ax = plt.subplots( figsize=(12,12) )
fig.suptitle('Correlation Heat Map', fontsize = 24, fontweight = 'bold', y = 0.95)

# 삼각형 마스크를 만든다(위 쪽 삼각형에 True, 아래 삼각형에 False)
mask = np.zeros_like(coff_df, dtype=np.bool)
mask[np.triu_indices_from(mask)] = True

# 히트맵을 그린다
sns.heatmap(coff_df, 
            cmap = 'RdYlBu_r', 
            annot = True,             # 실제 값을 표시한다
            mask=mask,                # 표시하지 않을 마스크 부분을 지정한다
            linewidths=.5,            # 경계면 실선으로 구분하기
            cbar_kws={"shrink": .5},  # 컬러바 크기 절반으로 줄이기
            vmin = -1,vmax = 1        # 컬러바 범위 -1 ~ 1
          )  
plt.show()

데이터 분포 시각화

fig, ax = plt.subplots(nrows=2, ncols=5, figsize=(22,8))
fig.suptitle('Scatter Plots', fontsize = 32, fontweight = 'bold', y = 0.95)

cols = diabetes.feature_names

for i in range(0, 2):
  for j in range(0, 5):
    sns.scatterplot(x = df[cols[i*5 + j]], y = df['target'], ax = ax[i][j])
    ax[i][j].axhline(df['target'].mean(), c='r', label = 'Base of Mean')

plt.show()

# 분석결과 저장
file_name = 'sklearn_diabetes_scatterPlots'
fig.savefig(path_results + file_name, dpi=150, facecolor='#eeeeee')

끝까지 읽어주셔서 감사합니다😉

Twitter Facebook LinkedIn URL 복사

이연준

Toydata - Scikit-Learn - Diabetes

Scikit-Learn 의 Diabetes 데이터셋

데이터 확인

불러오기

데이터 확인

데이터 준비

끝까지 읽어주셔서 감사합니다😉

공유하기

댓글남기기

참고

RaspberryPi by C# .NET

Google API & C#

코노텍 온도제어기(DXFOX-XR10)

정보처리기사 시험준비[시험결과, 후기 포함]