《 AI+Python医学数据分析实践》余本国 韩惠蕊 傅渝健 清华大学出版社 2025/9/1

内容简介：

《AI Python医学数据分析实践》是一本为零编程基础的数据分析人员而编写的科研用书，主要针对拟从事数据分析人员、医学生和医务工作者，是一本全面的医用数据分析与机器学习指南，内容涵盖了Python语法基础、数据的处理技巧、数据分析与挖掘、数据可视化等，并选用相应的医疗分析综合案例，帮助大家熟悉数据分析处理的过程。此外，本书还结合前沿大模型技术，详细介绍了如何利用AI大模型零代码辅助数据分析的方法。另外，本书还赠送PPT课件，方便读者学习和使用。

目录：

目录
基　础　篇
第1章　Python语法基础 2
1.1?引言 2
1.2?Python编辑器 3
1.3　语法规范 5
1.4　数据类型 7
1.5　运算符 10
1.6　流程控制 11
1.6.1　选择结构 11
1.6.2　循环结构 12
1.7　常用函数 13
第2章　NumPy和Pandas 17
2.1　NumPy 17
2.1.1　数组的创建 17
2.1.2　数组的操作 21
2.1.3　条件筛选 23
2.2　Pandas 25
2.2.1　Series的创建与访问 25
2.2.2　DataFrame的创建与访问 27
2.2.3 　条件筛选 30
2.2.4　数据的增删改 32
2.2.5　排序 35
2.2.6　索引重置 35
2.3　读存数据 37
2.3.1　读取数据 37
2.3.2　保存数据 40
2.4　Pandas其他操作 42
第3章　数据可视化Matplotlib 46
3.1　Matplotlib基本绘图 46
3.1.1　基本操作 47
3.1.2　中文符号的显示 51
3.2　绘图 51
3.2.1　饼图 52
3.2.2　散点图 53
第4章　数据处理 55
4.1　统计性描述 55
4.2　异常值处理 57
4.2.1　重复值的处理 57
4.2.2　缺失值的处理 58
4.3　数据列计算 60
4.3.1　对数据进行替换 60
4.3.2　数据分组 61
4.3.3　数据排序 62
第5章　基因序列查找与翻译 63
5.1　读取查找基因序列 63
5.2　翻译蛋白质序列 66
进　阶　篇
第6章　机器学习入门 70
6.1　分类算法 71
6.2　回归算法 74
6.3　聚类算法 76
6.4　常见的算法模型 78
第7章　心脏病风险预测分析 80
7.1　准备工作 80
7.2　数据读取与处理 81
7.3　模型建立与效果评价 82
7.3.1　决策树模型 82
7.3.2　随机森林模型 87
7.3.3　XGBoost模型 91
7.3.4　CatBoost模型 96
第8章　模型Shap解读与保存部署 102
8.1　Shap解读模型 102
8.1.1　Shap值计算 103
8.1.2　摘要图（Summary Plot） 104
8.1.3　Shap特征贡献图 106
8.1.4　依赖图（Dependence Plot） 107
8.1.5　力图（Force Plot） 108
8.1.6　热图（Heatmap） 109
8.2　模型保存 111
8.3　模型调用 111
第9章　胎儿健康多分类预测实现及模型评价 113
9.1　数据读取与处理 113
9.1.1　数据预处理编码 114
9.1.2　数据集划分 114
9.2　特征筛选 115
9.2.1　递归特征消除与交叉验证优化特征选择 115
9.2.2　递归特征消除与交叉验证结果可视化 116
9.3　模型构建 118
9.4　XGBoost模型预测与分类性能评估 119
9.5　XGBoost模型的混淆矩阵 120
9.6　宏平均ROC曲线 121
9.6.1　XGBoost模型的ROC曲线和宏平均AUC计算 122
9.6.2　宏平均ROC曲线绘制 122
9.7　Shap值计算及特征贡献解释 124
9.7.1　绘制模型特征贡献图 124
9.7.2　模型单样本解释瀑布图 127
第10章　帕金森病患者特征选择回归预测实现 130
10.1　数据准备 130
10.2 　RF回归模型的创建与训练 131
10.3　特征重要性分析 133
10.4　特征选择 134
10.4.1　蒙特卡洛模拟和交叉