Python新手如何下载指定糖尿病数据集并使用pd.read_csv读取？

1. 前置环境准备 #

• 首先确保你已经安装了Python环境，以及数据分析、建模必备的第三方库。如果还没安装依赖库，打开Windows的命令提示符、Mac/Linux的终端，输入以下命令执行安装：
  pip install pandas numpy scikit-learn

2. 数据集获取操作 #

必须先将数据集下载到本地磁盘，操作步骤如下：

• 找到Kaggle平台的皮马印第安人糖尿病数据集页面，点击下载按钮获取压缩包，解压后得到后缀为.csv的数据集文件
• 建议把解压后的csv文件放到你后续要写Python代码的同一个文件夹里，后续读取数据时不需要写很长的文件路径，不容易出错

3. 数据集读取与初步校验 #

打开代码编辑器，按顺序编写执行以下代码：

# 导入pandas库
import pandas as pd

# 读取csv文件，括号里填你自己的文件路径
# 如果csv和代码在同一个文件夹，直接写文件名即可，比如df = pd.read_csv("diabetes.csv")
# 如果不在同一个文件夹，Windows系统可以写r"C:\Users\你的用户名\下载\diabetes.csv"，Mac系统写"/Users/你的用户名/Downloads/diabetes.csv"
df = pd.read_csv("你的csv文件路径")

# 打印前5行数据，确认数据读取正确
print(df.head())

# 检查数据集有没有缺失值，新手很容易因为缺失值导致后续建模报错
print(df.isnull().sum())

4. 数据预处理（建模前必须完成） #

这一步是把原始数据转换成逻辑回归模型能接受的格式：

# 拆分特征和标签：除了最后一列Outcome是标签（1代表患糖尿病、0代表未患病），其余列都是用来预测的特征
X = df.drop(columns=["Outcome"])
y = df["Outcome"]

# 拆分训练集和测试集：80%数据用来训练模型，20%数据用来检验模型效果
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 特征标准化：逻辑回归对特征数值的尺度敏感，标准化后模型效果更稳定
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

5. 逻辑回归模型训练与概率预测 #

# 导入逻辑回归类
from sklearn.linear_model import LogisticRegression

# 初始化模型
model = LogisticRegression()

# 用训练集数据训练模型
model.fit(X_train_scaled, y_train)

# 输出测试集样本的分类结果（1/0）
y_pred = model.predict(X_test_scaled)

# 输出测试集样本的糖尿病发病概率，取输出结果的第二列就是患病概率
y_proba = model.predict_proba(X_test_scaled)[:, 1]

6. 模型效果校验 #

可以用常见指标判断模型的预测效果：

from sklearn.metrics import accuracy_score, confusion_matrix

# 输出模型在测试集上的预测准确率
print("测试集准确率：", accuracy_score(y_test, y_pred))

# 输出混淆矩阵，看正/负样本的预测正确数量
print("混淆矩阵：\n", confusion_matrix(y_test, y_pred))

内容的提问来源于stack exchange，提问作者raghav khanna