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()

# ¿Que columnas tienen los datos? diabetes.columns

# ¿Que tamaño tiene el dataset? diabetes.shape

# ¿Hay datos nulos? diabetes.info()

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

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

# 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()

# 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()

# Matriz de correlación diabetes.corr()

# 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)

# 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))