freeCodeCamp/curriculum/challenges/german/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	Medizinischer Datenvisualisierer	10	462368	medical-data-visualizer

--description--

You will be working on this project with our Gitpod starter code.

Wir sind noch dabei, den interaktiven Teil des Python-Kurses zu entwickeln. Hier sind erstmal einige Videos auf dem freeCodeCamp.org YouTube-Kanal, die dir alles beibringen, was du wissen musst, um dieses Projekt abzuschließen:

• Python for Everybody Video Course (14 hours)

• Wie man Daten mit Python-Pandas analysiert (10 Stunden)

--instructions--

In this project, you will visualize and make calculations from medical examination data using matplotlib, seaborn, and pandas. Die Datensatzwerte wurden bei medizinischen Untersuchungen gesammelt.

Datenbeschreibung

Die Zeilen des Datensatzes repräsentieren Patienten und die Spalten stellen Informationen wie Körpermessungen, Ergebnisse verschiedener Bluttests und Lebensweisen dar. Du wirst den Datensatz verwenden, um die Beziehung zwischen Herzkrankheiten, Körpermessungen, Blutmarkern und Lebensweisen zu erforschen.

Dateiname: medical_examination.csv

Merkmal	Variablentyp	Variable	Wert
Alter	Objective Feature	age	int (Tage)
Größe	Objective Feature	height	int (cm)
Gewicht	Objective Feature	weight	float (kg)
Geschlecht	Objective Feature	gender	Kategorie-Code
Systolischer Blutdruck	Examination Feature	ap_hi	int
Diastolischer Blutdruck	Examination Feature	ap_lo	int
Cholesterin	Examination Feature	cholesterol	1: normal, 2: höher als normal, 3: weit über normal
Glucose	Examination Feature	gluc	1: normal, 2: höher als normal, 3: weit über normal
Rauchen	Subjective Feature	smoke	binär
Alkoholkonsum	Subjective Feature	alco	binär
Körperliche Aktivität	Subjective Feature	active	binär
Leiden unter Herz-Kreislauf-Erkrankungen	Zielvariable	cardio	binär

Aufgaben

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.

Verwende die Daten um die folgenden Aufgaben in medical_data_visualizer.py abzuschließen:

• Füge eine overweight-Spalte zu den Daten hinzu. Um festzustellen, ob eine Person übergewichtig ist, berechnet man zunächst ihren BMI, indem man ihr Gewicht in Kilogramm durch das Quadrat ihrer Körpergröße in Metern teilt. Wenn dieser Wert > 25 ist, dann ist die Person übergewichtig. 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. Das Diagramm sollte wie examples/Figure_1.png aussehen.
• Bereinige die Daten. Filtere die folgenden Patientensegmente heraus, die fehlerhafte Daten darstellen:
  • diastolic pressure is higher than systolic (Keep the correct data with (df['ap_lo'] <= df['ap_hi']))
  • height is less than the 2.5th percentile (Keep the correct data with (df['height'] >= df['height'].quantile(0.025)))
  • die Größe liegt über dem 97,5. Perzentil
  • das Gewicht liegt unter dem 2,5. Perzentil
  • das Gewicht liegt über dem 97,5. Perzentil
• Erstelle eine Korrelationsmatrix unter Verwendung des Datensatzes. Plot the correlation matrix using seaborn's heatmap(). Decke das obere Dreieck ab. Das Diagramm sollte wie folgt aussehen examples/Figure_2.png.

Immer wenn eine Variable None ist, musst du sicherstellen, dass es auf den korrekten Code gesetzt wird.

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

Entwicklung

Write your code in medical_data_visualizer.py. For development, you can use main.py to test your code.

Testen

The unit tests for this project are in test_module.py. We imported the tests from test_module.py to main.py for your convenience.

Absenden

Kopiere die URL deines Projekts und sende sie an freeCodeCamp.

--hints--

Es sollte alle Python-Tests bestehen.

--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.