以下是给定 Python 代码每行的详细作用： ```python import pandas as pd, numpy as np import matplotlib.pyplot as plt from itertools import combinations ``` - 导入 `pandas` 库并将其别名为 `pd`，用于数据处理和分析；导入 `numpy` 库并别名为 `np`，用于数值计算；导入 `matplotlib.pyplot` 库并别名为 `plt`，用于数据可视化；从 `itertools` 模块导入 `combinations` 函数，用于生成组合[^1]。 ```python feature_file = '问题二_特征构建结果.xlsx' strat_file = '问题二_三级风险分层结果.xlsx' out_file = '问题二_核心组合画像.xlsx' PLOT_FILE_1 = '问题二_高风险核心组合画像图.png' PLOT_FILE_2 = '问题二_画像特征热力图.png' ``` - 定义文件路径变量，分别存储特征构建结果文件、三级风险分层结果文件、输出的核心组合画像文件以及两个绘图文件的文件名[^1]。 ```python plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS', 'DejaVu Sans'] plt.rcParams['axes.unicode_minus'] = False plt.rcParams['figure.facecolor'] = 'white' plt.rcParams['axes.facecolor'] = 'white' GRID_COLOR = '#D9E2EC' BAR_COLOR = '#4C78A8' TEXT_COLOR = '#2D3142' HEAT_CMAP = LinearSegmentedColormap.from_list('portrait_blue', ['#F7FBFF', '#BFD3E6', '#6BAED6', '#2171B5']) ``` - 设置 `matplotlib` 的字体，以支持中文显示，同时避免负号显示为方块；设置图形和坐标轴的背景颜色为白色；定义网格颜色、条形图颜色、文本颜色；创建一个线性分段颜色映射 `HEAT_CMAP` 用于热力图[^1]。 ```python data = pd.read_excel(feature_file, sheet_name='建模数据') features = pd.read_excel(feature_file, sheet_name='特征清单')['特征名'].dropna().astype(str).tolist() ``` - 从 `feature_file` 文件的 '建模数据' 工作表中读取数据到 `data` 变量；从同一文件的 '特征清单' 工作表中读取 '特征名' 列，去除空值，转换为字符串类型后存储为列表到 `features` 变量[^1]。 ```python grade = pd.read_excel(strat_file, sheet_name='全样本分层')[['idx','三级风险']] df = data.merge(grade, left_index=True, right_on='idx', how='inner') ``` - 从 `strat_file` 文件的 '全样本分层' 工作表中读取 'idx' 和 '三级风险' 两列数据到 `grade` 变量；将 `data` 和 `grade` 按照 `data` 的索引和 `grade` 的 'idx' 列进行内连接，结果存储到 `df` 变量[^1]。 ```python priority = [c for c in [ '痰湿质','痰湿质_z','H_痰湿活动耦合','H_痰湿_BMI交互','H_代谢异常负担', '活动量表总分（ADL总分+IADL总分）','活动量表总分（ADL总分+IADL总分）_z', 'BMI','BMI_z','空腹血糖','空腹血糖_z','血尿酸','血尿酸_z', 'TG（甘油三酯）','TG（甘油三酯）_z','TC（总胆固醇）','TC（总胆固醇）_z' ] if c in df.columns] portrait_features = list(dict.fromkeys(priority))[:8] ``` - 筛选出优先特征列表中存在于 `df` 列名中的特征存储到 `priority` 列表；使用 `dict.fromkeys()` 去除重复元素，取前 8 个特征存储到 `portrait_features` 列表，用于后续画像分析[^1]。 ```python if not portrait_features: raise ValueError('未找到可用于画像的特征，请检查“问题二_特征构建结果.xlsx”中的字段。') ``` - 如果 `portrait_features` 列表为空，抛出 `ValueError` 异常，提示未找到可用的画像特征，并建议检查文件字段[^1]。 ```python inverse_keys = ['HDL', '活动量表', 'ADL', 'IADL'] flags = pd.DataFrame(index=df.index) threshold_info = [] ``` - 定义逆向风险关键词列表 `inverse_keys`；创建一个空的 `DataFrame` `flags`，其索引与 `df` 相同；创建一个空列表 `threshold_info`，用于存储阈值信息[^1]。 ```python for c in portrait_features: s = pd.to_numeric(df[c], errors='coerce') if any(k in c for k in inverse_keys): thr = s.quantile(0.25) flags[c + '_风险'] = (s <= thr).astype(int) threshold_info.append([c, '下四分位判定为风险', thr]) else: thr = s.quantile(0.75) flags[c + '_风险'] = (s >= thr).astype(int) threshold_info.append([c, '上四分位判定为风险', thr]) ``` - 遍历 `portrait_features` 中的每个特征： - 将该特征列转换为数值类型，无法转换的设为 `NaN`。 - 如果特征名包含 `inverse_keys` 中的关键词，使用下四分位作为阈值，将小于等于阈值的标记为风险（值为 1），并将相关信息添加到 `threshold_info` 列表；否则使用上四分位作为阈值，将大于等于阈值的标记为风险，同样记录相关信息[^1]。 ```python merged = pd.concat([df[['三级风险','高血脂症二分类标签']].reset_index(drop=True), flags.reset_index(drop=True)], axis=1) high = merged[merged['三级风险'] == '高风险'].copy() flag_cols = flags.columns.tolist() ``` - 将 `df` 中的 '三级风险' 和 '高血脂症二分类标签' 列与 `flags` 按列方向拼接，得到 `merged`；从 `merged` 中筛选出 '三级风险' 为 '高风险' 的数据存储到 `high` 变量；将 `flags` 的列名转换为列表存储到 `flag_cols` 变量[^1]。 ```python rows = [] for r in [2, 3]: for comb in combinations(flag_cols, r): cond = high[list(comb)].all(axis=1) support = cond.mean() if len(high) else 0 support_n = int(cond.sum()) if support_n < max(10, int(0.03 * max(len(high), 1))): continue all_cond = merged[list(comb)].all(axis=1) conf = merged.loc[all_cond, '高血脂症二分类标签'].mean() if all_cond.sum() else 0 rows.append([' + '.join(comb), support_n, support, conf]) ``` - 生成 `flag_cols` 中元素的 2 个和 3 个元素的组合： - 对于每个组合，检查 `high` 数据集中该组合对应的列是否都为 `True`，得到条件 `cond`。 - 计算支持度 `support` 和支持度对应的样本数 `support_n`。 - 如果支持度对应的样本数小于 10 或者小于高风险样本数的 3%，则跳过该组合。 - 在 `merged` 数据集中检查该组合对应的列是否都为 `True`，计算置信度 `conf`。 - 将组合信息、支持度样本数、支持度和置信度添加到 `rows` 列表中[^1]。 ```python portrait_df = pd.DataFrame(rows, columns=['核心组合','高风险样本数','支持度','置信度']) if len(portrait_df): portrait_df = portrait_df.sort_values(['支持度','置信度'], ascending=False).head(15) ``` - 将 `rows` 列表转换为 `DataFrame` `portrait_df`；如果 `portrait_df` 不为空，按照支持度和置信度降序排序，取前 15 行[^1]。 ```python profile_rate_df = merged.groupby('三级风险', observed=False)[flag_cols].mean().T if len(merged) else pd.DataFrame() ``` - 如果 `merged` 不为空，按照 '三级风险' 分组，计算 `flag_cols` 中各列的均值，并进行转置，结果存储到 `profile_rate_df`；否则 `profile_rate_df` 为空 `DataFrame`[^1]。 ```python with pd.ExcelWriter(out_file) as w: pd.DataFrame({'画像变量': portrait_features}).to_excel(w, sheet_name='画像变量', index=False) pd.DataFrame(threshold_info, columns=['变量','风险判定方式','阈值']).to_excel(w, sheet_name='风险判定阈值', index=False) portrait_df.to_excel(w, sheet_name='高风险核心组合', index=False) profile_rate_df.to_excel(w, sheet_name='各风险层标记率') ``` - 使用 `pd.ExcelWriter` 将画像变量、风险判定阈值、高风险核心组合和各风险层标记率分别保存到 `out_file` 的不同工作表中，不保存索引[^1]。 ```python if len(portrait_df): top_df = portrait_df.head(10).iloc[::-1].copy() fig, ax = plt.subplots(figsize=(11, max(5, 0.55 * len(top_df) + 1.5))) color_scale = plt.cm.Blues(np.linspace(0.45, 0.9, len(top_df))) bars = ax.barh(top_df['核心组合'], top_df['支持度'], color=color_scale, edgecolor='white', linewidth=1.2) ax.set_xlabel('支持度（在高风险组内出现比例）') ax.set_ylabel('核心组合') ax.set_title('问题二：高风险核心组合画像', fontsize=13, fontweight='bold') for rect, spt_n, conf in zip(bars, top_df['高风险样本数'], top_df['置信度']): ax.text(rect.get_width(), rect.get_y() + rect.get_height()/2, f' 样本数={int(spt_n)}, 置信度={conf:.2%}', va='center', fontsize=9, color=TEXT_COLOR) ax.grid(axis='x', linestyle='--', alpha=0.35, color=GRID_COLOR) fig.tight_layout() fig.savefig(PLOT_FILE_1, dpi=300, bbox_inches='tight') plt.close(fig) ``` - 如果 `portrait_df` 不为空： - 取 `portrait_df` 的前 10 行并倒序存储到 `top_df`。 - 创建一个画布和坐标轴，设置图形大小。 - 生成颜色渐变列表 `color_scale`。 - 绘制水平条形图展示高风险核心组合的支持度，设置条形图颜色、边框和宽度。 - 设置坐标轴标签和标题。 - 在每个条形图上添加样本数和置信度信息。 - 设置 x 轴网格线。 - 调整布局，保存图像到 `PLOT_FILE_1`，关闭画布[^1]。 ```python if not profile_rate_df.empty: show_df = profile_rate_df.copy() cols = [c for c in ['低风险', '中风险', '高风险'] if c in show_df.columns] show_df = show_df[cols] fig, ax = plt.subplots(figsize=(8, max(5, 0.5 * len(show_df) + 1.5))) im = ax.imshow(show_df.values, aspect='auto', cmap=HEAT_CMAP, vmin=0, vmax=max(1e-9, np.nanmax(show_df.values))) ax.set_xticks(range(len(show_df.columns))) ax.set_xticklabels(show_df.columns) ax.set_yticks(range(len(show_df.index))) ax.set_yticklabels(show_df.index) ax.set_title('问题二：画像特征在各风险层中的风险标记率', fontsize=13, fontweight='bold') for i in range(show_df.shape[0]): for j in range(show_df.shape[1]): val = show_df.iloc[i, j] txt_color = 'white' if val >= 0.55 * np.nanmax(show_df.values) else TEXT_COLOR ax.text(j, i, f'{val:.1%}', ha='center', va='center', fontsize=9, color=txt_color) cbar = fig.colorbar(im, ax=ax, fraction=0.046, pad=0.04) cbar.set_label('风险标记率') fig.tight_layout() fig.savefig(PLOT_FILE_2, dpi=300, bbox_inches='tight') plt.close(fig) ``` - 如果 `profile_rate_df` 不为空： - 复制 `profile_rate_df` 到 `show_df`，筛选出 '低风险'、'中风险'、'高风险' 列。 - 创建画布和坐标轴，设置图形大小。 - 绘制热力图展示画像特征在各风险层的风险标记率，设置颜色映射、最小和最大颜色值。 - 设置坐标轴刻度和标签，以及标题。 - 在热力图每个格子上添加具体的标记率信息，根据标记率设置文本颜色。 - 添加颜色条，设置颜色条标签。 - 调整布局，保存图像到 `PLOT_FILE_2`，关闭画布[^1]。 ```python msg = f'完成：{out_file}' if len(portrait_df): msg += f'，并生成 {PLOT_FILE_1}' if not profile_rate_df.empty: msg += f'、{PLOT_FILE_2}' print(msg) ``` - 定义消息字符串 `msg`，表示处理完成并输出结果文件；如果 `portrait_df` 不为空，添加生成的高风险核心组合画像图信息；如果 `profile_rate_df` 不为空，添加生成的画像特征热力图信息；最后打印消息[^1]。