基于Python的肺癌临床数据可视化与风险预测实战

1. 项目整体设计与思路拆解

1.1 这个项目到底要解决什么问题

我一直在关注机器学习在医疗健康领域的落地场景，尤其是做过几个医学影像和临床数据的项目之后，发现"给临床数据做可视化分析 + 风险预测"是一个非常值得深入的方向。肺癌是全球范围内发病率和死亡率都很高的恶性肿瘤类型，相关公开数据集也比较丰富，非常适合用来做数据分析、特征挖掘和分类预测的完整流程演示。

这个项目要做的，就是基于Python生态，把肺癌相关的临床数据从原始CSV文件开始，一路走到数据清洗、特征工程、可视化分析和机器学习建模，最终形成一个能够对肺癌患病风险进行预测的完整系统。换句话说，这是一个端到端的数据分析流程，适合刚入门机器学习、想了解医学数据如何处理的分析师，以及想拿完整项目练手的朋友。整个系统的核心输出有两个：一是多维度的数据可视化看板，二是基于机器学习的患病风险分类预测。

1.2 技术选型为什么是这套组合

用Python做这个项目几乎是没有争议的选择。数据清洗用Pandas，数值计算用NumPy，可视化用Matplotlib和Seaborn，机器学习部分用Scikit-learn。这套组合的优势在于生态成熟、文档齐全、遇到问题时能快速找到别人踩坑的记录。对于"快速把项目跑起来"这个目标来说，这已经是效率最高的方案。

可视化方面，除了静态图表，我另外引入了Plotly做交互式图表。原因很简单：在实际演示和交付的时候，静态图虽然够用，但交互式图表的体验完全不同，用户可以直接筛选指标、缩放区域、悬停查看数值，这在跟业务方沟通需求时特别加分。如果你只是自己学习和做实验，Matplotlib加上Seaborn完全足够了，不需要额外负担。

机器学习部分我对比了几种分类器，包括逻辑回归、随机森林、XGBoost和支持向量机。最终选型不只看准确率，还要看可解释性和训练效率。前期实验下来，随机森林和XGBoost在这个数据集上的表现比较稳定，所以最终以这两个模型为主体构建预测模块。关于这个选型对错的问题，我后面会专门分析。

1.3 系统整体架构

整个系统的架构可以用一条流水线来理解：原始数据输入 -> 数据清洗与标准化 -> 特征工程 -> 探索性数据分析（EDA）与可视化 -> 模型训练与评估 -> 模型导出与预测接口。每一层各干各的活，模块之间用干净的接口衔接，这样后期替换图表库或者换模型算法都不需要动整个系统。

这种分层设计我特别推荐，尤其是做数据分析项目，很多人习惯把所有代码堆在一个Notebook里，前期省事，后期改起来就头疼。我自己写项目时，会把每个环节拆分成独立的脚本或模块，比如data_loader.py负责数据读取，preprocess.py负责清洗，visualize.py负责绘图，train.py负责模型训练。这样任何环节出问题，定位和修复的效率都会高很多。

2. 数据获取与预处理实战

2.1 数据集说明与字段解析

我选用的是公开的肺癌临床数据集，这类数据在Kaggle和UCI上都能找到。数据集以CSV格式存储，包含约3000多条样本记录，每条记录包含一个患者的临床特征和是否患肺癌的标签。

核心字段包括：

这里我想重点提一下，原始数据集里常见的坑有三个。第一，字段值不统一，比如gender会出现"male"和"M"并存的情况；第二，缺失值处理需要根据字段类型分别对待，数值型用均值或中位数填充，分类型用众数填充；第三，标签分布可能不均衡，比如确诊和未确诊的比例可能达到1比3，这种不均衡会直接影响模型训练效果，后面我会专门讲解决办法。

2.2 数据清洗的关键细节

数据清洗是整个流程中最不"性感"但最关键的一步。我在这个项目里没有偷懒，把清洗流程拆成了四步。

第一步是去重。原始数据里可能存在完全相同的记录，用Pandas的duplicated方法检查重复行，确认之后直接删除。我在处理时发现数据里有十几条重复记录，应该是数据采集阶段的录入问题。

第二步是缺失值处理。数值型字段比如age、exercise_frequency，我用中位数填充，因为中位数对异常值不敏感，比均值更稳健。分类型字段比如smoking_history、air_pollution_level，我用众数填充。还有一个技巧是检查缺失值的分布模式，如果某些字段的缺失率超过30%，我会考虑直接丢弃这个字段，因为强行填充会引入噪声。

第三步是异常值处理。我专门看了age字段的分布，发现存在年龄为150这种明显不合理的数据，这是典型的录入错误。处理方式是设定合理范围，超出范围的记录直接删除或置为缺失值，再用缺失值填充逻辑处理。数值型字段我还用IQR方法检测了三倍四分位距之外的极端值，结合业务场景判断是否保留。

第四步是编码转换。分类型字段需要转换为数值型才能喂给模型。这个数据集的分类字段大多是名义变量，我用了两种方式：对二分类变量用标签编码，比如gender直接映射为0和1；对多分类变量用One-Hot编码，比如smoking_history如果有三个取值，就生成三个二值特征。One-Hot编码之后要注意一点：如果特征太多，模型训练会变慢，而且容易过拟合，要根据特征重要性做取舍。

提示：数据处理中最容易忽视的是"数据泄漏"问题。比如screening_result这个字段，如果它本身是医生基于影像学检查得出的结果，那它跟diagnosis标签之间的关联性非常强，把它作为特征输入模型会导致准确率虚高，但模型实际部署时根本拿不到这个字段。我建议在建模前先把这类信息强度过高的特征标记出来，单独做对比实验，不要一上来就全部塞进模型。

2.3 特征工程怎么做得更合理

特征工程的核心目标是让模型更容易从数据中学习到有效模式。在这个项目里，我主要做了三件事。

第一，新增交互特征。比如"吸烟史+职业暴露"的组合特征，可以更精细地刻画高风险人群。我构造了一个risk_score字段，把smoking_history、air_pollution_level、occupational_exposure、genetic_risk四个风险因素的得分相加，形成一个人工综合风险指标。这个特征在模型中的重要性排序非常靠前，说明领域知识在特征工程中的价值是实打实的。

第二，数值型特征的标准化。age和exercise_frequency的量纲不一样，模型训练前需要用StandardScaler做标准化，让每个特征的均值贴近0、标准差贴近1。这个操作对逻辑回归和SVM这类对尺度敏感的模型尤其重要，随机森林这种树模型则不太受影响。

第三，特征相关性分析。我用皮尔逊相关系数矩阵检查了特征之间的线性相关性，发现air_pollution_level和smoking_history之间的相关系数达到了0.6左右，存在一定的共线性。不过考虑到这两个特征在业务含义上确实相关，而且随机森林和XGBoost对共线性并不敏感，我没有做进一步的降维处理，而是在逻辑回归的对比实验中留意了一下共线性可能带来的影响。

3. 数据可视化模块实现

3.1 可视化看板要回答哪些业务问题

做可视化不是为了炫技，而是要回答实际业务问题。我在设计这套可视化看板时，先列了几个核心问题：患病人群在年龄和性别上呈现什么分布？吸烟史和空气污染暴露对患病率的影响有多大？哪些因素的相关性最强？体检指标异常的群体和确诊之间的关系是什么？

基于这些问题，我把可视化模块分成了四个维度。第一是全局概览，用仪表盘式的大图展示总样本量、患病率、各年龄段分布。第二是单变量分布，用直方图和饼图分别展示年龄和性别分布，同时叠加是否患病的分组对比。第三是双变量关系，用堆叠柱状图分析不同风险因素在患病组和健康组中的差异。第四是相关性热力图，直观展示特征之间的相关性强弱。

3.2 核心可视化代码实战

我平时用得最多的可视化库是Seaborn，因为它在统计图表上做得很完善。先看第一个核心图表：患病率与年龄分布的关系。

python复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 设置中文显示，避免乱码
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial']
plt.rcParams['axes.unicode_minus'] = False

# 按年龄段分组统计患病率
df = pd.read_csv('lung_cancer_data.csv')
df['age_group'] = pd.cut(df['age'], bins=[0, 30, 40, 50, 60, 70, 100], 
                         labels=['<30', '30-39', '40-49', '50-59', '60-69', '70+'])

age_group = df.groupby('age_group', observed=False)['diagnosis'].agg(['mean', 'count', 'sum'])
age_group['患病率'] = age_group['mean'] * 100

plt.figure(figsize=(10, 6))
sns.barplot(x=age_group.index.astype(str), y=age_group['患病率'], 
            palette='Reds_r', edgecolor='black', alpha=0.8)
plt.title('不同年龄段的肺癌患病率分布')
plt.xlabel('年龄段')
plt.ylabel('患病率（%）')
plt.ylim(0, 100)
for i, v in enumerate(age_group['患病率']):
    plt.text(i, v + 1, f'{v:.1f}%', ha='center', fontweight='bold')
plt.tight_layout()
plt.savefig('age_group_analysis.png', dpi=150)
plt.show()

这段代码里我使用了pd.cut对年龄做分箱处理，因为连续的年龄值在图上不好呈现趋势，分箱之后能更清楚地看到"随着年龄增长，患病率逐步上升"的规律。实测结果和临床经验基本一致：50岁以上人群的患病率明显高于年轻群体，70岁以上年龄段最高，这验证了数据的有效性。

第二个核心图表是特征相关性热力图，这个图能帮我们在建模之前快速找到信息量大的特征。

python复制plt.figure(figsize=(12, 10))
corr_matrix = df[['age', 'gender', 'smoking_history', 'air_pollution_level',
                  'occupational_exposure', 'genetic_risk', 'chronic_disease',
                  'immune_status', 'exercise_frequency', 'diagnosis']].corr()

mask = np.triu(np.ones_like(corr_matrix, dtype=bool), k=1)
sns.heatmap(corr_matrix, mask=mask, annot=True, fmt='.2f', cmap='coolwarm',
            linewidths=0.5, square=True, cbar_kws={'shrink': 0.8})
plt.title('特征相关性热力图')
plt.tight_layout()
plt.savefig('correlation_heatmap.png', dpi=150)
plt.show()

掩膜（mask）的用法值得多说一句：相关系数矩阵是对称的，只画下三角部分可以让图更清爽、信息密度更高。从这张热力图可以直观看到，diagnosis和smoking_history、air_pollution_level、genetic_risk的相关系数都比较高，而exercise_frequency则呈现负相关，这些发现跟我们后续特征重要性的排序基本吻合。

3.3 交互式可视化与"大屏化"改造

静态图适合写报告，但真正做演示时，交互式可视化更占优势。我用Plotly把其中几个关键图表改造成了交互式，用户悬停可以看到具体数值，还可以点击图例筛选数据。

python复制import plotly.express as px

fig = px.scatter(df, x='age', y='smoking_history', color='diagnosis',
                 size='exercise_frequency', hover_data=['gender', 'air_pollution_level'],
                 title='年龄-吸烟史-运动频率 与肺癌诊断关系',
                 labels={'diagnosis': '是否患病', 'smoking_history': '吸烟史等级'})
fig.update_traces(marker=dict(opacity=0.7))
fig.update_layout(template='plotly_white', width=1000, height=600)
fig.show("png")

这里有个细节需要提醒：如果你想把交互式图表嵌入Flask或者Django这样的Web服务中，不能用fig.show()，而要用fig.to_html()生成HTML片段，再渲染到页面上。这是从实验环境走向实际系统时最常见的坑。

另外，现在很多数据分析项目都会做"可视化大屏"。我的做法是把Seaborn生成的静态图、Plotly生成的交互图、还有几个核心指标卡片组合到一个HTML页面里，用CSS网格布局排布，刷新数据时各图表模块保持独立更新。如果你用Jupyter做原型，可以直接用ipywidgets做简单的仪表盘；如果要正式交付，可以上Dash或Streamlit，后者配置起来最快，代码量最少。

4. 机器学习预测模型构建与调优

4.1 模型选型的完整思考过程

机器学习建模的核心不是"用最牛的模型"，而是"在合适的场景选合适的模型"。这个项目里数据量不算大，只有3000多条样本，特征维度也不高。我在模型选型时经历了这样的思考和对比过程。

我通常会把逻辑回归作为基准模型，跑通整个流程，确认数据没有明显问题之后，再上随机森林和XGBoost。这样做的逻辑是：如果连逻辑回归都能达到90%以上的准确率，说明数据质量和特征工程都没问题；如果逻辑回归效果很差，那先不要急着调复杂模型，回去检查特征工程和数据泄漏反而收益更大。

4.2 数据集划分与评估指标选择

模型训练前，我用train_test_split把数据按7比3的比例划分训练集和测试集，同时设了random_state=42保证实验结果可复现。这一步骤容易被忽略，但实际上非常关键，没有固定随机种子的话，每次跑出来的结果都不一样，你根本没法判断模型之间的差异到底是来自算法本身还是来自随机性。

关于评估指标，我特别强调一下。在医疗健康相关的分类任务里，准确率不是唯一的指标，甚至不是最重要的指标。如果数据集里健康样本占75%，患病样本占25%，那一个"无脑预测全为健康"的分类器准确率也有75%。这显然没有意义。所以我采用了精确率、召回率、F1分数、AUC这四个指标的组合。

• 精确率：预测为患病的样本中有多少是真的患病。
• 召回率：真实患病的样本中有多少被成功识别出来。
• F1分数：精确率和召回率的调和平均。
• AUC：ROC曲线下的面积，衡量模型在不同阈值下的综合区分能力。

在肺癌预测这个场景里，漏诊的代价远大于误诊，所以我会优先关注召回率指标。宁可把一部分健康人判成高风险，也不要漏掉真正的患者。这意味着在最终模型里，我会把分类阈值从默认的0.5下调到0.3左右，提升召回率。

4.3 随机森林模型训练与阈值调优实战

先看随机森林的训练代码。

python复制from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score

X = df.drop(['diagnosis', 'age_group'], axis=1)
y = df['diagnosis']

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

rf_model = RandomForestClassifier(
    n_estimators=200,
    max_depth=10,
    min_samples_split=5,
    min_samples_leaf=2,
    random_state=42
)

rf_model.fit(X_train, y_train)
y_pred = rf_model.predict(X_test)
y_proba = rf_model.predict_proba(X_test)[:, 1]

print(classification_report(y_test, y_pred))
print('AUC:', roc_auc_score(y_test, y_proba))

这里我用了一个参数stratify=y，做分层抽样，让训练集和测试集中正负样本的比例跟原数据保持一致。这种细节在数据不均衡时特别重要，如果不做分层抽样，测试集的患病率很可能跟原始分布偏差较大，导致评估结果失真。

分类报告的输出大致如下：

这个结果里，健康类别的样本数明显更多，所以模型的精确率召回率都更高。患病类别的召回率0.90还算可以，但精确率只有0.86，意味着预测为患病的样本里有14%其实是健康人。如果是在真实医疗场景里，这个误报率会带来不必要的复查压力，此时需要跟业务方沟通确定最佳阈值。

查看随机森林输出的特征重要性排序，前三名是air_pollution_level、smoking_history、genetic_risk，跟相关性热力图的发现一致。这让我对模型的合理性更有信心。

4.4 XGBoost训练与参数调节心得

XGBoost我用的是xgboost库的官方API，相比Scikit-learn的包装接口，它能暴露更多调参选项。核心参数我重点关注五个。

• n_estimators：树的数量，过少欠拟合，过多过拟合且训练变慢。
• max_depth：树的最大深度，一般3到6就够，太深容易过拟合。
• learning_rate：学习率，配合n_estimators使用，调低学习率通常要增加树的数量。
• subsample：每棵树使用的样本比例，设为0.8可以在训练时引入随机性，降低过拟合。
• colsample_bytree：每棵树使用的特征比例，同样是为了降低过拟合。

我用GridSearchCV做了简单的网格搜索，参数空间设得不大，主要是为了控制搜索时间。

python复制from xgboost import XGBClassifier
from sklearn.model_selection import GridSearchCV

xgb_model = XGBClassifier(
    use_label_encoder=False, 
    eval_metric='logloss',
    learning_rate=0.05,
    random_state=42
)

param_grid = {
    'max_depth': [3, 5, 7],
    'n_estimators': [100, 200, 300],
    'subsample': [0.7, 0.8, 0.9],
    'colsample_bytree': [0.7, 0.8, 0.9]
}

grid_search = GridSearchCV(
    xgb_model, param_grid, cv=5, scoring='roc_auc', n_jobs=-1, verbose=1
)
grid_search.fit(X_train, y_train)

print('Best params:', grid_search.best_params_)

GridSearchCV的原理是遍历参数组合并进行交叉验证，选择得分最高的一组参数。要注意的是，参数空间呈指数级增长，这里3乘3乘3乘3一共81种组合，配合5折交叉验证就是405次模型训练，好在数据量不大，几分钟能跑完。如果数据量大了，建议改用随机搜索或者贝叶斯优化，效率会高很多。

XGBoost调参之后的AUC比随机森林高了约1.5个百分点，说明它对数据模式的学习能力确实强一些。但要注意，AUC高不代表业务上更好，XGBoost调参复杂、可解释性又弱，如果团队要求模型结果能被医生理解，随机森林可能反而更合适。

4.5 数据不平衡问题的处理

我前面提到了这个数据集存在类别不均衡问题：健康样本数量约为患病样本的2倍。虽然2比1的比率不算极端，但已经足以影响模型对少数类的学习。我用了三种方法对比实验。

第一种是调整分类权重。随机森林里设置class_weight='balanced'，XGBoost里用scale_pos_weight参数，让模型在训练时给少数类更高的误分类代价。

第二种是过采样。用imbalanced-learn库中的SMOTE方法合成少数类样本。SMOTE的原理是在少数类样本之间进行插值，生成新的合成样本，而不是简单地复制原有样本，这样能缓解过拟合问题。

第三种是阈值移动。保持模型不变，用验证集找出最佳分类阈值，而不是固定用0.5。

实测下来，SMOTE加阈值移动的组合提升最明显，患病类别的召回率提升到了0.93，精确率仅下降了0.02。这个取舍是完全值得的，因为在这个场景里，提升召回率的意义远超精确率的轻微损失。

注意：SMOTE只能在训练集上使用，绝不能对测试集做任何形式的过采样。原因在于测试集要模拟真实世界里未知数据的分布，对它做合成会导致评估结果虚高。我在项目里特意定义了处理流程的先后顺序，确保所有数据增强操作只发生在训练阶段。

5. 系统实现完整流程

5.1 从Notebook到结构化项目的改造

很多人写了半年的数据分析代码，还停留在Notebook阶段，每个单元格按顺序执行一遍就完事。这没问题，做实验确实方便。但如果你想把项目交付给别人，或者部署成Web服务，就必须要做结构化改造。

我的做法是建立一个干净的目录结构：

code复制lung_cancer_system/
├── data/
│   └── lung_cancer_data.csv
├── modules/
│   ├── __init__.py
│   ├── data_loader.py
│   ├── preprocess.py
│   ├── visualize.py
│   └── model.py
├── app.py
├── requirements.txt
└── README.md

data_loader.py负责读取和检查数据，preprocess.py负责所有清洗和特征工程操作，visualize.py负责生成图表，model.py负责模型训练、评估和保存。app.py是一个Flask入口文件，把各模块串起来，提供Web接口。

这种模块化改造的核心收益是：流程图里每一步都能对应到代码文件，出了问题能快速定位。我见过太多人把所有逻辑写在一个几千行的文件里，最后想改一个图表的样式都要花一下午找代码。

5.2 Excel与数据库数据的接入问题

项目上线阶段，数据的实际来源往往是Excel报表或数据库，而不是CSV文件。我在这里做了兼容处理。

Excel文件用Pandas的read_excel读取，要注意指定正确的sheet名称和列名。我遇到比较多的坑是Excel单元格里有空格、全角字符、日期字段格式混乱，稍不注意读进来就会报错。

数据库方面，我用pymysql连接MySQL，用read_sql_query执行SQL查询，把结果直接加载成DataFrame。如果你用的是SQL Server，连接串会稍作变化。我在项目里做了一个简单的抽象，在data_loader.py里写了一个参数化的读取函数，通过配置文件指定数据源类型和连接参数，就能在CSV、Excel和数据库之间无缝切换。

python复制import pandas as pd

def load_data(data_source='csv', path_or_query=None, conn_config=None):
    if data_source == 'csv':
        df = pd.read_csv(path_or_query)
    elif data_source == 'excel':
        df = pd.read_excel(path_or_query)
    elif data_source == 'mysql':
        import pymysql
        conn = pymysql.connect(**conn_config)
        df = pd.read_sql_query(path_or_query, conn)
        conn.close()
    else:
        raise ValueError('不支持的数据源类型')
    return df

这样设计的好处是，用户不需要关心底层数据存在哪里，只需要在配置里写明数据源，其他事情交给函数处理。

5.3 完整执行流程与结果解读

对整个项目做一次完整的端到端执行，流程是这样的。

第一步，加载数据。调用load_data读取CSV文件，检查数据形状和字段类型。3000多条记录里，有一个日期的字段被错误识别为object类型，需要转换。

第二步，数据清洗。调用preprocess模块，依次完成去重、缺失值填充、异常值处理、编码转换和特征工程。清洗之后的最终特征数量从11个变成了14个，因为One-Hot编码扩充了几个分类字段。

第三步，探索性可视化。运行visualize脚本，生成年龄分布图、相关性热力图、风险因素对比图等多张图表，并对图表进行人工检查，确认数据趋势符合医学常识。

第四步，模型训练。运行train脚本，分别训练逻辑回归、随机森林和XGBoost三个模型，输出分类报告、混淆矩阵和ROC曲线。三个模型的AUC分数分别是0.91、0.94和0.95，随机森林和XGBoost明显优于逻辑回归，说明数据中存在较复杂的非线性关系。

第五步，模型持久化。用joblib把最优模型保存成文件，供后续Web服务调用。

第六步，Web服务验证。启动Flask应用，通过浏览器提交一条模拟的患者数据，模型返回预测结果和置信度。预测置信度是0.87，判定为高风险组，符合预期。

需要强调的是，整个流程中我在前两步花的时间最多。数据清洗和特征工程占整个项目时间的六成以上，这不是浪费，而是数据分析项目的正常状态。任何跳过这两步直接建模的做法，最后都会在模型效果或者交付环节还回来。

6. 常见问题与排查实录

6.1 模型效果差但没有报错怎么办

遇到最多的一个问题：代码能运行，没有报错，但模型的准确率就是上不去，特征重要性也乱七八糟。这种时候我一般按下面几个方向逐项排查。

第一，检查数据泄漏。看看特征里有没有包含未来信息或者目标信息的字段。我在第一版模型里就把screening_result这个字段放进去了，AUC一度跳到0.99，后来发现这本质上是"作弊"，去掉了这个字段之后模型才正常。

第二，检查特征和标签的分布。用df.describe()看每个字段的取值范围、均值、标准差，发现异常值或者大量离群值就及时处理。

第三，检查训练测试划分。如果测试集和训练集的分布差异很大，模型的评估结果会很不稳定。我遇到过一次测试集里患病比例远高于训练集，导致模型在测试集上指标虚高。

第四，检查特征尺度。如果代码里用了逻辑回归或者SVM，但忘了做标准化，模型效果会非常不稳定。这个坑很隐蔽，因为代码不会报错，只有仔细对比不同模型的表现时才会发现。

6.2 测试集表现好但实际部署后效果差

这是个经典问题，项目在实验环境里指标漂亮，一旦部署到真实场景就开始拉胯。原因通常有三类。

第一，训练数据分布和实际数据分布不一致。这就是常说的"训练测试分布漂移"问题。解决方案是定期用新数据重新训练模型，同时建立数据监控，实时对比线上数据的特征分布和训练集的差异。

第二，模型部署时的预处理流程和训练时不统一。比如训练时做了标准化，部署时却忘了保存StandardScaler对象，直接把原始数据喂给模型，结果自然一塌糊涂。我在代码里用joblib把标准化器、特征列表、模型参数一起打包保存，加载时一起读回来，避免这种问题。

第三，真实场景的数据质量比训练数据差很多。训练集里数据经过了人工清洗，而线上接口接到的数据千奇百怪，字段为空、格式不对、乱码等等。解决方案是接口层做严格的输入校验，对不符合要求的字段给出明确报错信息，而不是默默传入模型。

6.3 可视化中文乱码问题

Matplotlib默认字体不支持中文，所以plt.title('肺癌患病率')会显示成方块。解决办法是像我前面写的那样，在代码开头设置中文字体。

python复制plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Noto Sans CJK SC']
plt.rcParams['axes.unicode_minus'] = False

不同操作系统上的中文字体路径不一样，Windows有SimHei，macOS有PingFang SC，Linux服务器上需要安装Noto Sans CJK字体。如果你在服务器上部署，建议提前测试字体是否生效，避免项目上线后才发现图表里全是乱码。

另一个弹窗问题也需要说明：如果你在无图形界面的Linux服务器上运行Matplotlib，plt.show()不会弹窗，反而可能报错。解决办法是使用Agg后端，只保存图片不显示窗口，在代码里加上：

python复制import matplotlib
matplotlib.use('Agg')

6.4 训练时间过长的优化建议

当数据量增大到几十万级别时，一些之前在3000条数据上没暴露的问题会浮现出来。我做过几轮优化，总结下来有三个收益最高的方向。

第一，数据维度控制。检查特征数量，如果One-Hot编码之后维度膨胀，考虑用PCA降维或者聚类打包，直接减少模型输入维度。

第二，模型参数调整。随机森林的n_estimators从200调到100，准确率可能只降0.5%，训练时间却能减少一半。XGBoost则可以通过hist直方图算法替代默认的exact贪心算法，训练速度提升非常明显。

第三，并行化处理。XGBoost天然支持多线程，设置n_jobs=-1可以用满所有CPU核心。GridSearchCV里同样设置n_jobs=-1，参数搜索速度能提升几倍。

6.5 常见问题速查表

7. 个人经验总结

这个项目做下来，我最大的感受是：数据分析项目的成败往往不在于算法多花哨，而在于前期的数据理解、业务理解和细节把控。我用逻辑回归做基准、用随机森林和XGBoost冲精度、用混淆矩阵和AUC做综合评估，这套方法论在任何分类预测项目里都能复用。

最后再分享一个自己踩过坑后的习惯：任何数据文件导入之后，第一件事不是急着跑分析，而是先打印df.info()和df.head()，用最朴素的方式看一眼数据长什么样。这个习惯帮我避开过无数因字段名不一致、类型不对、空值过多导致的问题。永远不要相信一份数据的"描述文档"，要以代码实际读取到的结果为准。

如果你也想做类似的医学数据项目，我的建议是：先找一份公开数据集完整跑通流程，然后再想一个实际问题去扩展，比如增加更多特征、换一个不同的模型做对比、或者把系统包装成Web应用。这套流程走通了，你就真正掌握了用Python做数据分析与机器学习落地的基本功。