为了分析四种出行方式 (MTRANS) 和肥胖程度 (obe1dad) 之间的相关性，可以按照以下步骤使用 Python 来处理并分析您的 CSV 数据集。 ### 步骤一：导入必要的库 首先需要安装和加载一些常用的Python库： ```bash pip install pandas numpy matplotlib seaborn scipy scikit-learn ``` 然后，在脚本开始处引入它们: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from sklearn.preprocessing import LabelEncoder from scipy.stats import chi2_contingency ``` ### 步骤二：读取CSV文件 接下来，将CSV文件加载到Pandas DataFrame中。假设CSV文件名为`data.csv`. ```python df = pd.read_csv('data.csv') print(df.head()) ``` 检查DataFrame的内容是否符合预期非常重要。 ### 步骤三：数据预处理 由于您提到“肥胖程度”是一个有序分类变量（从1到7），并且"出行方式"(MTRANS)已经被独热编码了，因此我们不需要进一步转换这些列。但是，请确认所有非数值型特征都已适当编码为数值形式。 对于缺失值，根据具体情况选择删除或填充策略。 ```python # 检查是否有空值 print(df.isnull().sum()) # 如果有缺失值，则可以根据情况填补或移除相应行/列 df.dropna(inplace=True) ``` ### 步骤四：探索性和描述统计分析 绘制箱形图来观察不同出行模式下肥胖等级分布的情况可以帮助直观地了解两者间的关系. ```python plt.figure(figsize=(8,6)) sns.boxplot(x='obe1dad', y=None, data=df.melt(id_vars=['obe1dad'], value_vars=[col for col in df if 'MTRANS_' in col], var_name="Transportation Type", value_name="Presence")) plt.title("Box plot of Obesity Level by Transportation Mode") plt.show() ``` 计算出行方式与肥胖水平间的卡方检验结果： ```python cont_table = pd.crosstab(df['obe1dad'], [c for c in df.columns if "MTRANS_" in c]) chi2, p_value, dof, expected = chi2_contingency(cont_table) print(f"P-value from Chi-squared test is {p_value:.4f}") if p_value < 0.05: print("There appears to be a statistically significant relationship between transportation mode and obesity level.") else: print("No evidence suggests any association exists between the two variables.") ``` ### 步骤五：模型构建及评估 考虑到这是个分类问题，你可以尝试训练机器学习模型比如决策树、随机森林等，并通过交叉验证的方式来衡量预测性能如何依赖于不同的交通方式。 例如使用随机森林来进行建模： ```python from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report X = df[[c for c in df if 'MTRANS_' in c]] y = df['obe1dad'] X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42) clf = RandomForestClassifier(n_estimators=100).fit(X_train, y_train) predictions = clf.predict(X_test) print(classification_report(y_test, predictions)) feature_importance = clf.feature_importances_ sorted_idx = feature_importance.argsort() plt.barh(range(len(sorted_idx)), feature_importance[sorted_idx], align='center') plt.yticks(range(len(sorted_idx)), [list(X)[i] for i in sorted_idx]) plt.xlabel("Feature Importance") plt.title("Importance of Different Transport Modes on Predicting Obesity Levels") plt.tight_layout() plt.show() ``` 以上过程应该能够帮助您完成对给定数据集中四个出行类别与肥胖指数之间关联性的初步探讨。当然还可以深入调整参数或者尝试其他类型的算法。 ---