### Python 医疗数据分析与可视化源码示例 #### 获取并处理医疗数据 为了展示如何进行医疗数据分析和可视化，下面是一个简单的例子，该例子展示了如何使用 `pandas` 和 `matplotlib` 来加载、清理以及可视化医疗数据。 ```python import pandas as pd import matplotlib.pyplot as plt # 加载CSV文件中的医疗数据 data = pd.read_csv('medical_data.csv') # 查看前几行的数据结构 print(data.head()) # 清理缺失值 cleaned_data = data.dropna() # 统计不同疾病的数量分布情况 disease_counts = cleaned_data['Disease'].value_counts() ``` #### 构建知识图谱 对于更复杂的分析需求，比如构建基于知识图谱的医疗数据分析系统，则可能涉及到Neo4j这样的图形数据库来存储关系型数据[^1]。 ```python from py2neo import Graph, Node, Relationship graph = Graph("http://localhost:7474", auth=("username", "password")) # 创建节点表示患者和病症之间的关联 patient_node = Node("Patient", name="John Doe") disease_node = Node("Disease", title="Diabetes") rel = Relationship(patient_node, "HAS_DISEASE", disease_node) graph.create(rel) ``` #### 使用机器学习算法预测疾病风险 当拥有足够的历史病例之后，还可以应用监督式学习方法训练模型来进行未来患病可能性评估。 ```python from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score X_train, X_test, y_train, y_test = train_test_split(cleaned_data[['Age', 'BloodPressure']], cleaned_data['HeartDisease'], test_size=0.3) model = RandomForestClassifier(n_estimators=100) model.fit(X_train, y_train) predictions = model.predict(X_test) accuracy = accuracy_score(y_test, predictions) print(f'Accuracy of the prediction is {accuracy * 100:.2f}%') ``` #### 数据可视化 最后一步就是将上述得到的结果以直观的方式呈现出来。这里采用 ECharts 或者 Matplotlib 进行绘图操作[^2]。 ```python plt.figure(figsize=(8,6)) plt.bar(disease_counts.index, disease_counts.values) plt.title('Distribution of Diseases') plt.xlabel('Diseases') plt.ylabel('Counts') plt.xticks(rotation=90) plt.show() ```