Diabetes

import pandas as pd # Libreria para tratamiento de DataFrame import numpy as np # Libreria de algebra lineal import matplotlib.pyplot as plt # Libreria gráfica import seaborn as sns # Libreria Gráfica from sklearn import metrics # Validar nuestro metodo from sklearn.model_selection import train_test_split # Entrenar y divir la información from sklearn.linear_model import LogisticRegression # Regresión logistica

# Lectura del dataset diabetes = pd.read_csv("/work/Diabetes.csv")

# Primeras 5 filas del dataset diabetes.head()

Patient numberint64

Cholesterolint64

193

146

217

226

164

# ¿Que columnas tienen los datos? diabetes.columns

# ¿Que tamaño tiene el dataset? diabetes.shape

# ¿Hay datos nulos? diabetes.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 390 entries, 0 to 389
Data columns (total 16 columns):
 #   Column           Non-Null Count  Dtype  
---  ------           --------------  -----  
 0   Patient number   390 non-null    int64  
 1   Cholesterol      390 non-null    int64  
 2   Glucose          390 non-null    int64  
 3   HDL Chol         390 non-null    int64  
 4   Chol/HDL ratio   390 non-null    float64
 5   Age              390 non-null    int64  
 6   Gender           390 non-null    object 
 7   Height           390 non-null    int64  
 8   Weight           390 non-null    int64  
 9   BMI              390 non-null    float64
 10  Systolic BP      390 non-null    int64  
 11  Diastolic BP     390 non-null    int64  
 12  waist            390 non-null    int64  
 13  hip              390 non-null    int64  
 14  Waist/hip ratio  390 non-null    float64
 15  Diabetes         390 non-null    object 
dtypes: float64(3), int64(11), object(2)
memory usage: 48.9+ KB

# Como se distribuyen las variables numéricas diabetes.describe()

Patient numberfloat64

Cholesterolfloat64

count

390

mean

195.5

207.2307692

std

112.7275477

44.66600505

min

25%

98.25

179

50%

195.5

203

75%

292.75

229

max

390

443

# ¿Como se comportan las variables categoricas? diabetes.describe(include=["O"])

Genderobject

Diabetesobject

count

390

unique

top

female

No diabetes

freq

228

330

# Renombramos algunas columnas diabetes = diabetes.rename(columns={"Cholesterol":"Colesterol", "Glucose":"Glucosa", "HDL Chol": "HDL colesterol", "Age":"Edad", "Gender":"Género", "Height":"Altura", "Weight":"Peso", "Systolic BP":"Presión arterial alta", "Diastolic BP": "Presión arterial baja", "waist":"Cintura", "hip":"Cadera"})

# Observamos el cambio de los nombres de las columnas diabetes.columns

# Procedemos a eliminar columnas diabetes = diabetes.drop(["Patient number", "Chol/HDL ratio", "BMI", "Waist/hip ratio"], axis = 1)

# Gráficamos la variable dependiente plt.figure(figsize=(8,5)) sns.countplot(diabetes['Diabetes']) plt.title("Personas con o sin diabetes") plt.xlabel("Diabetes") plt.show()

/shared-libs/python3.9/py/lib/python3.9/site-packages/seaborn/_decorators.py:36: FutureWarning: Pass the following variable as a keyword arg: x. From version 0.12, the only valid positional argument will be `data`, and passing other arguments without an explicit keyword will result in an error or misinterpretation.
  warnings.warn(

# Edad en función del género plt.figure(figsize=(8,5)) sns.barplot(data = diabetes, x = "Diabetes", y = "Edad", hue = "Género", palette = "rocket", ci = None) plt.title("Edad en función del género") plt.xlabel("Diabetes") plt.ylabel("Edad") plt.show()

# Colesterol en función del género plt.figure(figsize=(8,5)) sns.barplot(data = diabetes, x = "Diabetes", y = "Colesterol", hue = "Género", palette = "crest", ci = None) plt.title("Colesterol en función del género") plt.xlabel("Diabetes") plt.ylabel("Colesterol") plt.show()

# Glucosa en función del género plt.figure(figsize=(8,5)) sns.barplot(data = diabetes, x = "Diabetes", y = "Glucosa", hue = "Género", palette = "magma", ci = None) plt.title("Glucosa en función del género") plt.xlabel("Diabetes") plt.ylabel("Glucosa") plt.show()

# HDL colesterol en función del género plt.figure(figsize=(8,5)) sns.barplot(data = diabetes, x = "Diabetes", y = "HDL colesterol", hue = "Género", palette = "cubehelix", ci = None) plt.title("HDL colesterol en función del género") plt.xlabel("Diabetes") plt.ylabel("HDL colesterol") plt.show()

# Peso en función del género plt.figure(figsize=(8,5)) sns.barplot(data = diabetes, x = "Diabetes", y = "Peso", hue = "Género", palette = "YlOrBr", ci = None) plt.title("Peso en función del género") plt.xlabel("Diabetes") plt.ylabel("Peso") plt.show()

# Creación de la variable dummy diabetes["Diabetes"] = diabetes.Diabetes.map({"No diabetes":0, "Diabetes":1}) diabetes["Género"] = diabetes.Género.map({"female":0, "male":1})

# Observamos nuevamente la información de nuestras variables diabetes.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 390 entries, 0 to 389
Data columns (total 12 columns):
 #   Column                 Non-Null Count  Dtype
---  ------                 --------------  -----
 0   Colesterol             390 non-null    int64
 1   Glucosa                390 non-null    int64
 2   HDL colesterol         390 non-null    int64
 3   Edad                   390 non-null    int64
 4   Género                 390 non-null    int64
 5   Altura                 390 non-null    int64
 6   Peso                   390 non-null    int64
 7   Presión arterial alta  390 non-null    int64
 8   Presión arterial baja  390 non-null    int64
 9   Cintura                390 non-null    int64
 10  Cadera                 390 non-null    int64
 11  Diabetes               390 non-null    int64
dtypes: int64(12)
memory usage: 36.7 KB

# Matriz de correlación diabetes.corr()

Colesterolfloat64

-0.06360077256193461 - 1.0

Glucosafloat64

-0.1583019646515296 - 1.0

Colesterol

0.1581020776

Glucosa

0.1581020776

HDL colesterol

0.1931617034

-0.1583019647

Edad

0.2473334696

0.2943919666

Género

-0.03013853326

0.09337232878

Altura

-0.06360077256

0.0980517988

Peso

0.06235862851

0.190357864

Presión arterial alta

0.2077414443

0.1627771636

Presión arterial baja

0.1662413033

0.02026227033

Cintura

0.1340378194

0.2223355527

# Gráfica de matriz de correlación plt.figure(figsize=(10,6)) sns.heatmap(diabetes.corr(), vmax = 0.9, square= True) plt.title("Matriz de correlación de Pearson") plt.show()

# Creamos nuestra varible dependiente y independientes X = diabetes.drop(["Diabetes"],axis=1) # Varibles independientes o explicativas Y = diabetes["Diabetes"] # Variable dependiente en este caso si tiene o no diabetes

# Dividimos nuestros datos X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size= 0.2, random_state= 0)

# Procedemos aplicar nuestro algoritmo logreg = LogisticRegression() logreg.fit(X_train, Y_train) # Ejecución del modelo Y_pred = logreg.predict(X_test)

/shared-libs/python3.9/py/lib/python3.9/site-packages/sklearn/linear_model/_logistic.py:814: ConvergenceWarning: lbfgs failed to converge (status=1):
STOP: TOTAL NO. of ITERATIONS REACHED LIMIT.

Increase the number of iterations (max_iter) or scale the data as shown in:
    https://scikit-learn.org/stable/modules/preprocessing.html
Please also refer to the documentation for alternative solver options:
    https://scikit-learn.org/stable/modules/linear_model.html#logistic-regression
  n_iter_i = _check_optimize_result(

# Ejecutamos y_pred para observar los datos que se ha aplicado Y_pred

# Creamos una matriz de confusión cnf_matrix = metrics.confusion_matrix(Y_test, Y_pred) cnf_matrix

# Gráficamos la matriz de confusión class_names = [0, 1] fig, ax = plt.subplots() tick_marks = np.arange(len(class_names)) plt.xticks(tick_marks, class_names) plt.yticks(tick_marks, class_names) sns.heatmap(pd.DataFrame(cnf_matrix), annot = True, cmap = "Blues_r", fmt = "g") ax.xaxis.set_label_position("top") plt.tight_layout() plt.title("Matriz de confusión", y = 1.1) plt.ylabel("Etiqueta actual") plt.xlabel("Etiqueta de predicción")

# Exactitud del modelo print("Exactitud", metrics.accuracy_score(Y_test, Y_pred))

Exactitud 0.9102564102564102