脑卒中数据分析

首先大概介绍下需求目标。已知某地区2007年-2010年四年每天的环境数据，数据字段包括有平均（最高、最低）气温、气压，和平均湿度、最低湿度。数据文件名为data5.xls，其中文件中又有四个表，分别命名为07、08、09、10，代表着四年的环境数据，见下图：

看表格类型，第一列为日期数据，然后后面每8列都为一个月的环境数据，字段名重复。为了方便处理，先在Excel中从每个表（每年）的第三行开始抽取数据，复制到新的Excel中，另存为csv格式的文件，2007年的数据文件名记为data_07.csv , 其他年份的记名规则同上，挑07年的表上图：

目前的想法是讲四年，记四个表的数据汇总到一个表格中，其中每行的数据为每一天的环境数据，如下所示，下图是处理完成后的数据表，第一列可以不用管，是索引index，或者看成编号ID吧，第二列开始到第9列为环境数据，第10列year为年份，接着month为月份，最后一列汇总日期，日期形式为yyyy-mm-dd

在python3运行的程序如下：

接下来是处理病人数据了。病人数据的存放文件名为data1.xls、data2/3/4.xls共四个文档，下面是其中一个文档的数据，包括的字段有Sex性别、Age年龄、Occupation职业标签、还有Time of incidence发病日期、和Report time报告日期，当然在实际操作中报告日期不起作用，感觉是发病日期，因为要统计到每天／每月的发病人数，算出发病率。四个表的数据都有缺失，但缺失的数据基本都为年龄、职业，而发病日期和报告日期都没上面缺失。其中data1、data2、data4三个表的日期类型基本都为 yyyy／mm／dd，虽然都有一些肮脏数据，如08／1／1，但是比例很少，可以直接无视。但是data3.xls这个表中，日期类型格式yyyy／mm／dd占了很小一部分，反而日期类型为yyyy-mm--dd占多数。同时为了跟前面处理好的环境数据的日期类型统一标准，单独那data3出来更换数据类型。

原理不难，其实excel也能做，只是我也在python上做了，特别注意一下是，我把data3.xls数据另存为 patient_data3.csv文件了。

整理完data3.xls的数据之后，就把data1/2/4的数据也汇总在一起，这个在excel直接复制汇总即可。汇总文档名为totData.csv，然后在python统计每个月的各个指标。

现在得到每年每个月的各个指标和患病人数了，每个月的患病率定义为每各个月的患病人数／那一年的患病总人数，另外我还在excel自己写函数，计算了每个变量的变异系数。最后在SPSS中把患病率作为因变量，其他指标作为自变量，做多元逐步线性回归。

因为题目要考究环境因素对患病率的影响，事实上，我在SPSS中把原始的、题目给的8个环境因素对患病率做多因素方差分析，结果显示环境因素对患病率几乎没影响。而且即使强行用原来的变量作回归，拟合度也是抄底。

最后只能自己构造新的指标了，比如标注差、均值、还有变异系数等。考虑的问题的解释，模型就不考虑神经网络这些黑盒模型了，另外也因为变量太多了，非线性会使得模型结果更庞大。因为我这次统计是以月份为单位，4年48个月，如果采用非线性，会出现一个变量比数据样本还多，研究没意义。

最后也只能用线性模型了。另外一开始也试过统计以天为单位，但考虑到每天的患病率方差更小，偶然性和误差更多，最终没有采用以天数为单位的原因是做出来的拟合度太低。

想知道完整的题目和论文直接百度「脑卒中发病环境因素分析及干预」即可。

--------------********---------------

第一次把代码都注释了，整个流程大概花了3天。

至于代码，我是一开始用notebook上一步一步来的，架构整理得差不多再放到pycharm。

、、、

写这段代码的时候，只有上帝和我知道它是干嘛的

写完之后只有上帝知道它是干嘛的

、、、