版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
基于病理数据集使用Logistic算法构建模型进行乳腺癌预测(良性2/恶性4)—杜凯杰
数据来源：http://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Original%29
实验采用 UCI 数据集中的 Wisconsin 医学院的 William H.Wolberg 博士提供的乳腺 癌 的 数
据 样 本 。所有数据来自真实临床案例，每个案例有 10 个属性。其中前九个属性是检 测指标（X值），每个属性值用 1 到 10 的整数表示， 1 表示检测指标最正常， 10 表示最不正常。 第十个属性是分类属性（Y值）， 指示该肿瘤是否为恶性。
Attribute Information:
- Sample code number: id number
- Clump Thickness: 1 - 10
- Uniformity of Cell Size: 1 - 10
- Uniformity of Cell Shape: 1 - 10
- Marginal Adhesion: 1 - 10
- Single Epithelial Cell Size: 1 - 10
- Bare Nuclei: 1 - 10
- Bland Chromatin: 1 - 10
- Normal Nucleoli: 1 - 10
- Mitoses: 1 - 10
- Class: (2 for benign, 4 for malignant)
如果懂医疗数据的可以很方便理解这些属性代表的意义，像我这样的外行，只能通过数据来说话了………数据集数据量较少，只有569条病患的记录，我们今天就根据这些数据来建模。
加载包
import numpy as np import pandas as pd
加载数据，并添加属性标签
df=pd.read_csv('breast-cancer-wisconsin.data')
df.columns=['Id number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']
查看数据集效果及数据类型
df.head(5)
判断数据是否有空（缺省）值
df.isnull().sum().sort_values(ascending=False)
如果有空值，我们需要把空值实例删除，或者用其它值替换，一般使用平均值，缺省值的处理需视实际场景而定，不可随意处理！
显示没有空值，但’Bare Nuclei’字段有异常值"?"需要处理,先将异常值替换为空值，然后删除所在的实例
df=df.replace('?',np.nan).dropna()
因为异常值的存在，数据列属性为object，需要更改为数值型np.int64
df['Bare Nuclei']=df['Bare Nuclei'].astype(np.int64)
查看数据属性的数值类型
df.info()
我们先将类别转换为0和1
df.Class=(df.Class/2-1).astype(np.int64)
我们这次做的是分类任务，查看下实例的类别数量，判断是否需要平衡采样,
df.Class.value_counts()
将类别数量少的样本重采样，采样份数为类别差距的数量，
dc=df[df['Class']==1].sample(n=df.Class.value_counts()[0]-df.Class.value_counts()[1])
将采样数据添加至数据集中，完成数据类别平衡采样，实际操作过程中，如果样本类别数量差距不是太大，可不用采样，一切以实现应用场景为准
df=pd.concat([df,dc])
查看采样后的样本类别数据，看下是否采样成功
df.Class.value_counts()
删除无用属性’Id number’ 实际应用场景中可按经验删除无用属性，从而提高模型精度
df=df.drop(‘Id number’,axis=1)
提取X,Y值
X=df.iloc[:,:-1]
Y=df.iloc[:,[-1]]
数据标准化（归一化）将数据限定在同一级别
from sklearn.preprocessing import StandardScaler
coder=StandardScaler()
X=pd.DataFrame(coder.fit_transform(X))
分割数据集，将数据分为测试集和训练集，一般3/7分或者2/8分
from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test=train_test_split(X,Y,test_size=0.3,random_state=0)
用LR模型训练（逻辑回归模型）
from sklearn.linear_model import LogisticRegression
model=LogisticRegression()
训练数据集
model.fit(X_train,Y_train)
查看测试集预测精度0-1
model.score(X_test,Y_test)
到这里模型已经基本建完，剩下的就是模型布署了，这里就不讲了，末尾附上全部源码，以供练习参考，如果你有更好的思路可以联系我共同探讨 ^ _ ^ 查看详情
# 加载包
import numpy as np
import pandas as pd
# 加载数据，并添加属性标签
df=pd.read_csv('breast-cancer-wisconsin.data')
df.columns=['Id number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']
# 判断数据是否有空（缺省）值
df.isnull().sum().sort_values(ascending=False)
# 如果有空值，我们需要把空值实例删除，或者用其它值替换，一般使用平均值，缺省值的处理需视实际场景而定，不可随意处理！
# 显示没有空值，但'Bare Nuclei'字段有异常值"?"需要处理,先将异常值替换为空值，然后删除所在的实例
df=df.replace('?',np.nan).dropna()
# 因为异常值的存在，数据列属性为object，需要更改为数值型np.int64
df['Bare Nuclei']=df['Bare Nuclei'].astype(np.int64)
# 查看数据属性的数值类型
df.info()
# 我们先将类别转换为0和1
df.Class=(df.Class/2-1).astype(np.int64)
# 我们这次做的是分类任务，查看下实例的类别数量，判断是否需要平衡采样,
df.Class.value_counts()
# 将类别数量少的样本重采样，采样份数为类别差距的数量，
dc=df[df['Class']==1].sample(n=df.Class.value_counts()[0]-df.Class.value_counts()[1])
# 将采样数据添加至数据集中，完成数据类别平衡采样，实际操作过程中，如果样本类别数量差距不是太大，可不用采样，一切以实现应用场景为准
df=pd.concat([df,dc])
# 查看采样后的样本类别数据，看下是否采样成功
df.Class.value_counts()
# 删除无用属性'Id number' 实际应用场景中可按经验删除无用属性，从而提高模型精度
# df=df.drop('Id number',axis=1)
# 提取X,Y值
X=df.iloc[:,:-1]
Y=df.iloc[:,[-1]]
# 数据标准化（归一化）将数据限定在同一级别
from sklearn.preprocessing import StandardScaler
coder=StandardScaler()
X=pd.DataFrame(coder.fit_transform(X))
# 分割数据集，将数据分为测试集和训练集，一般3/7分或者2/8分
from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test=train_test_split(X,Y,test_size=0.3,random_state=0)
# 用LR模型训练（逻辑回归模型）
from sklearn.linear_model import LogisticRegression
model=LogisticRegression()
# 训练数据集
model.fit(X_train,Y_train)
# 查看测试集预测精度0-1
model.score(X_test,Y_test)