--- id: 5e46f7f8ac417301a38fb92a title: Visualizzatore di Dati Medici challengeType: 10 forumTopicId: 462368 dashedName: medical-data-visualizer --- # --description-- You will be working on this project with our Gitpod starter code. Stiamo ancora sviluppando la parte didattica interattiva del curriculum di Python. Per ora, ecco alcuni video sul canale YouTube di freeCodeCamp.org che ti insegneranno tutto quello che devi sapere per completare questo progetto: - Video corso Python for Everybody (14 ore) - Come analizzare i dati con Python Pandas (10 ore) # --instructions-- In this project, you will visualize and make calculations from medical examination data using `matplotlib`, `seaborn`, and `pandas`. I valori dell’insieme di dati sono stati raccolti durante una serie di esami medici. ## Descrizione dei dati Le righe nel set di dati rappresentano i pazienti e le colonne rappresentano informazioni come le misurazioni del corpo, i risultati di vari esami del sangue e lo stile di vita. Userai il set di dati per esplorare il rapporto tra malattie cardiache, misurazioni del corpo, marcatori del sangue e stile di vita. Nome del file: medical_examination.csv | Caratteristica | Tipo Di Variabile | Variabile | Tipo Di Valore | |:----------------------------------------------:|:-----------------:|:-------------:|:------------------------------------------------------------------------:| | Età | Dato oggettivo | `age` | int (giorni) | | Altezza | Dato oggettivo | `height` | int (cm) | | Peso | Dato oggettivo | `weight` | float (kg) | | Genere | Dato oggettivo | `gender` | codice di categoria | | Pressione sistolica | Dato da esami | `ap_hi` | int | | Pressione sanguigna diastolica | Dato da esami | `ap_lo` | int | | Colesterolo | Dato da esami | `cholesterol` | 1: normale, 2: al di sopra del normale, 3: molto al di sopra del normale | | Glucosio | Dato da esami | `gluc` | 1: normale, 2: al di sopra del normale, 3: molto al di sopra del normale | | Fumatore | Dato soggettivo | `smoke` | binario | | Assunzione di alcol | Dato soggettivo | `alco` | binario | | Attività fisica | Dato soggettivo | `active` | binario | | Presenza o assenza di malattie cardiovascolari | Variabile target | `cardio` | binario | ## Compiti Create a chart similar to `examples/Figure_1.png`, where we show the counts of good and bad outcomes for the `cholesterol`, `gluc`, `alco`, `active`, and `smoke` variables for patients with `cardio=1` and `cardio=0` in different panels. Utilizza i dati per completare le seguenti attività in `medical_data_visualizer.py`: - Aggiungi una colonna `overweight` (sovrappeso) ai dati. Per determinare se una persona è in sovrappeso, calcola prima il suo BMI dividendo il peso in chilogrammi per il quadrato della sua altezza in metri. Se questo valore è > 25 allora la persona è in sovrappeso. Use the value `0` for NOT overweight and the value `1` for overweight. - Normalize the data by making `0` always good and `1` always bad. If the value of `cholesterol` or `gluc` is `1`, make the value `0`. If the value is more than `1`, make the value `1`. - Convert the data into long format and create a chart that shows the value counts of the categorical features using `seaborn`'s `catplot()`. The dataset should be split by `Cardio` so there is one chart for each `cardio` value. Il grafico dovrebbe apparire come `examples/Figure_1.png`. - Pulisci i dati. Filtra i seguenti segmenti di pazienti che rappresentano dati errati: - la pressione diastolica è superiore a quella sistolica (tieni i dati corretti con `(df['ap_lo'] <= df['ap_hi'])`) - l'altezza è inferiore al 2.5° percentile (tieni i dati corretti con `(df['height'] >= df['height'].quantile(0.025))`) - l'altezza è superiore al 97.5° percentile - il peso è inferiore al 2.5° percentile - il peso è superiore al 97.5° percentile - Crea una matrice di correlazione usando l'insieme di dati. Plot the correlation matrix using `seaborn`'s `heatmap()`. Maschera il triangolo superiore. Il grafico dovrebbe apparire come in `examples/Figure_2.png`. Ogni volta che una variabile è impostata su `None`, assicurati di impostarla al codice corretto. Unit tests are written for you under `test_module.py`. ## Instructions By each number in the `medical_data_visualizer.py` file, add the code from the associated instruction number below. 1. Import the data from `medical_examination.csv` and assign it to the `df` variable 2. Create the `overweight` column in the `df` variable 3. Normalize data by making `0` always good and `1` always bad. If the value of `cholesterol` or `gluc` is 1, set the value to `0`. If the value is more than `1`, set the value to `1`. 4. Draw the Categorical Plot in the `draw_cat_plot` function 5. Create a DataFrame for the cat plot using `pd.melt` with values from `cholesterol`, `gluc`, `smoke`, `alco`, `active`, and `overweight` in the `df_cat` variable. 6. Group and reformat the data in `df_cat` to split it by `cardio`. Show the counts of each feature. You will have to rename one of the columns for the `catplot` to work correctly. 7. Convert the data into `long` format and create a chart that shows the value counts of the categorical features using the following method provided by the seaborn library import : `sns.catplot()` 8. Get the figure for the output and store it in the `fig` variable 9. Do not modify the next two lines 10. Draw the Heat Map in the `draw_heat_map` function 11. Clean the data in the `df_heat` variable by filtering out the following patient segments that represent incorrect data: - height is less than the 2.5th percentile (Keep the correct data with `(df['height'] >= df['height'].quantile(0.025))`) - height is more than the 97.5th percentile - weight is less than the 2.5th percentile - weight is more than the 97.5th percentile 12. Calculate the correlation matrix and store it in the `corr` variable 13. Generate a mask for the upper triangle and store it in the `mask` variable 14. Set up the `matplotlib` figure 15. Plot the correlation matrix using the method provided by the `seaborn` library import: `sns.heatmap()` 16. Do not modify the next two lines ## Sviluppo Write your code in `medical_data_visualizer.py`. For development, you can use `main.py` to test your code. ## Test The unit tests for this project are in `test_module.py`. Abbiamo importato i test da `test_module.py` in `main.py` per tua convenienza. ## Invio Copia l'URL del tuo progetto e consegnalo nell'input qua sotto. # --hints-- Dovrebbe superare tutti i test Python. ```js ``` # --solutions-- ```py # Python challenges don't need solutions, # because they would need to be tested against a full working project. # Please check our contributing guidelines to learn more. ```