Python实现多列疾病组合的出现频率统计方案咨询

核心思路 #

通过itertools.combinations生成所有2、3、4列的疾病组合，逐行判断组合内疾病是否同时出现，最终统计每个组合的出现次数。以下是基于Pandas的实现脚本，直接输出统计结果。

完整代码示例 #

import pandas as pd
from itertools import combinations
from collections import defaultdict

def count_disease_combinations(df, min_size=2, max_size=4):
    # 初始化频率统计字典
    combo_freq = defaultdict(int)
    disease_columns = df.columns.tolist()
    
    # 遍历2到4列的组合长度
    for combo_length in range(min_size, max_size + 1):
        # 生成当前长度的所有疾病列组合
        for cols in combinations(disease_columns, combo_length):
            combo_name = '&'.join(cols)
            # 判断每行是否所有疾病都存在（假设1=患病，0=未患病）
            is_combo_present = df[list(cols)].all(axis=1)
            # 统计该组合出现的次数
            combo_freq[combo_name] = is_combo_present.sum()
    
    # 转换为DataFrame并按频率降序排列
    result_df = pd.DataFrame(
        list(combo_freq.items()),
        columns=['疾病组合', '出现频率']
    ).sort_values('出现频率', ascending=False)
    
    return result_df

# ---------------------- 测试用例 ----------------------
# 模拟疾病数据（1表示患病，0表示未患病）
sample_data = pd.DataFrame({
    '糖尿病': [1, 0, 1, 1, 0],
    '高血压': [1, 1, 0, 1, 0],
    '冠心病': [0, 1, 1, 1, 0],
    '高血脂': [1, 0, 0, 1, 1]
})

# 执行统计并打印结果
stat_result = count_disease_combinations(sample_data)
print(stat_result)

关键细节说明 #

• 数据适配：如果你的疾病标记不是1/0，而是布尔值、"患病"/"未患病"等，只需修改is_combo_present的判断逻辑：
  • 布尔值：is_combo_present = df[list(cols)].all(axis=1)（直接使用）
  • 文本标记：is_combo_present = (df[list(cols)] == "患病").all(axis=1)
• 结果格式：最终返回的DataFrame包含两列，分别是疾病组合名称（如"糖尿病&高血压"）和对应的出现频率，已按频率降序排列，方便查看高频组合。

内容的提问来源于stack exchange，提问作者marita