HEALTHCARE

Для анализа я выбрала данные из набора «Healthcare Survey» с сайта kaggle.com. Этот набор данных включает информацию о различных аспектах здравоохранения, таких как доступность медицинских услуг, удовлетворенность пациентов, а также демографические данные респондентов. Мне было интересно проанализировать эти данные, так как тема здоровья является одной из самых важных и актуальных тем. Здоровье — ключевой фактор качества жизни, и с помощью анализа можно выявить важные взаимосвязи: например, как уровень дохода или образования влияет на состояние здоровья.

Я решила сделать разные виды графиков, которые помогли наглядно представить конкретные данные, выбранные мной для анализа. Распределение общего состояния здоровья — гистограмма. Связь уровня образования и здоровья — столбчатая диаграмма. Связь физической активности и здоровья — диаграмма рассеяния. Зависимость уровня дохода от возраста — линейный график. Распределение медицинского образования — круговая диаграмма.

Я решила стилизовать графики в оттенках синего. Этот цвет является успокаивающим и подходит для визуализации данных, связанных с вопросом здоровья.

Для начала нужно было подготовить данные и обработать пропущенные значения.

import pandas as pd df = pd.read_csv ('health_dataset.csv') df.head ()

missing_values = df.isnull ().sum () missing_values[missing_values > 0]

В данных есть пропущенные значения только в колонке Smoked — 110 значений. Заменим их модой.

df[«Smoked»] = df[«Smoked»].fillna (df[«Smoked»].mode ()[0])

Проверим, что пропусков больше нет

df.isnull ().sum ().sum ()

Данные готовы к визуализации

import matplotlib.pyplot as plt import seaborn as sns

Настроим стиль визуализации sns.set_style («whitegrid») plt.figure (figsize=(8, 5))

Первая визуализация показывает распределение общего состояния здоровья людей

sns.histplot (df[«Gen_health_state»], bins=5, kde=True, color="royalblue»)

plt.title («Распределение общего состояния здоровья», fontsize=14) plt.xlabel («Общее состояние здоровья (1 — очень плохое, 5 — отличное)», fontsize=12) plt.ylabel («Количество людей», fontsize=12)

plt.show ()

Далее я посмотрела, как уровень образования влияет на общее состояние здоровья у человека.

plt.figure (figsize=(8, 5))

sns.barplot (x=df[«Edu_level»], y=df[«Gen_health_state»], estimator=lambda x: x.mean (), palette="Blues»)

plt.title («Влияние уровня образования на общее состояние здоровья», fontsize=14) plt.xlabel («Уровень образования (1 — низкий, 5 — высокий)», fontsize=12) plt.ylabel («Средняя оценка здоровья», fontsize=12)

plt.show ()

Выяснилось, что люди с более высоким уровнем образования, как правило, оценивают свое здоровье выше.

Теперь изучим связь между физической активностью и общим состоянием здоровья.

plt.figure (figsize=(8, 5))

sns.scatterplot (x=df[«Physical_vigorous_act_time»], y=df[«Gen_health_state»], alpha=0.5, color="royalblue»)

plt.title («Связь физической активности и здоровья», fontsize=14) plt.xlabel («Время интенсивной физической активности (минуты)», fontsize=12) plt.ylabel («Оценка здоровья», fontsize=12)

plt.show ()

Диаграмма показала, что люди, занимающиеся более интенсивной физической активностью, чаще имеют более высокие оценки здоровья.

Линейный график показал, что уровень дохода увеличивается с возрастом до определенного момента, а затем начинает снижаться. Это может отражать карьерный рост и выход на пенсию.

plt.figure (figsize=(8, 5))

sns.lineplot (x=df[«Age»], y=df[«Total_income»], color="darkblue»)

plt.title («Зависимость уровня дохода от возраста», fontsize=14) plt.xlabel («Возраст», fontsize=12) plt.ylabel («Уровень дохода (категории)», fontsize=12)

plt.show ()

Построим круговую диаграмму, чтобы посмотреть, как распределяется медицинская страховка среди людей.

plt.figure (figsize=(6, 6))

insurance_counts = df[«Insurance_cover»].value_counts () labels = [f"Категория {i}» for i in insurance_counts.index]

plt.pie (insurance_counts, labels=labels, autopct="%1.1f%%», colors=sns.color_palette («Blues», len (insurance_counts)))

plt.title («Распределение медицинского страхования», fontsize=14)

plt.show ()

Большая часть населения имеет страховое покрытие, однако есть исключения.

Благодаря анализу данных, мы поняли:

1. Большинство людей оценивают свое здоровье как хорошее или отличное.
2. Состояние здоровья зависит от уровня образование. Чем выше образование, тем здоровье лучше.
3. Физическая активность положительно сказывается на уровне здоровья.
4. Уровень дохода сначала растет с возрастом, доходит до определенного пика, после снижается.
5. Медицинское страхование имеется у большинства.

Для анализа данных использовалась нейросеть https://chatgpt.com