freeCodeCamp/curriculum/challenges/italian/08-data-analysis-with-python/data-analysis-with-python-projects/medical-data-visualizer.md

id, title, challengeType, forumTopicId, dashedName

id	title	challengeType	forumTopicId	dashedName
5e46f7f8ac417301a38fb92a	Visualizzatore di Dati Medici	10	462368	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.

--solutions--

  # 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.