淺談Python在創(chuàng)傷流行病學(xué)數(shù)據(jù)分析中的應(yīng)用

陳 都，徐 峰

1.蘇州大學(xué)附屬第一醫(yī)院重癥醫(yī)學(xué)科，江蘇 蘇州 215000;2.蘇州大學(xué)附屬第一醫(yī)院急診科，江蘇 蘇州 215000

創(chuàng)傷對(duì)社會(huì)及家庭造成巨大負(fù)擔(dān)，對(duì)創(chuàng)傷流行病學(xué)的研究具有重要意義[1],創(chuàng)傷流行病學(xué)研究可以為衛(wèi)生行政部門(mén)制定相關(guān)的政策法規(guī)提供重要依據(jù)?；趧?chuàng)傷數(shù)據(jù)庫(kù)的創(chuàng)傷救治質(zhì)量提高計(jì)劃在國(guó)外已較成熟，國(guó)內(nèi)正處于快速發(fā)展階段[2-4]。

Python是一種高級(jí)腳本語(yǔ)言，相較于其他語(yǔ)言更容易學(xué)習(xí)且功能強(qiáng)大。伴隨Python相關(guān)第三方庫(kù)的不斷擴(kuò)充與改進(jìn)，使其成為數(shù)據(jù)分析任務(wù)的一個(gè)優(yōu)選方案[5-6]。相較于臨床醫(yī)師常用的Excel、SPSS、Stata等數(shù)據(jù)分析工具，其在臨床大數(shù)據(jù)分析方面有突出優(yōu)勢(shì)，目前已在眾多醫(yī)學(xué)學(xué)科的研究中得到應(yīng)用[7-12]。本文簡(jiǎn)要介紹其在創(chuàng)傷流行病學(xué)研究中的相關(guān)應(yīng)用，包括數(shù)據(jù)導(dǎo)入、數(shù)據(jù)清洗、統(tǒng)計(jì)分析、數(shù)據(jù)可視化以及模型建立等方面，為創(chuàng)傷流行病學(xué)研究提供參考。

1 Python語(yǔ)言簡(jiǎn)介

Python語(yǔ)言是一種開(kāi)源、免費(fèi)、跨平臺(tái)的高級(jí)計(jì)算機(jī)語(yǔ)言，由Guido van Rossum于1989年開(kāi)發(fā)。Python語(yǔ)言具有入門(mén)快、簡(jiǎn)單高效、運(yùn)行可靠、數(shù)據(jù)處理能力強(qiáng)等特點(diǎn)[13]。近些年，Python從一個(gè)邊緣的科學(xué)計(jì)算語(yǔ)言，成為了數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)、學(xué)界和工業(yè)界軟件開(kāi)發(fā)最重要的語(yǔ)言之一?；跀?shù)量龐大的開(kāi)源第三方庫(kù)，使其在數(shù)據(jù)分析、云計(jì)算、網(wǎng)絡(luò)爬蟲(chóng)、自動(dòng)化運(yùn)維、Web開(kāi)發(fā)、人工智能等領(lǐng)域得到了廣泛應(yīng)用。其中在數(shù)據(jù)分析領(lǐng)域，常用的第三方庫(kù)有NumPy、Pandas、Matplotlib等。

程序編寫(xiě)需要使用代碼編輯器，在使用Python進(jìn)行數(shù)據(jù)分析時(shí)筆者推薦的代碼編輯器是Jupyter Notebook。作為一款交互式記事本，支持包括Python、R在內(nèi)的40多種編程語(yǔ)言，其實(shí)質(zhì)是一款開(kāi)源Web 應(yīng)用程序。由于Jupyter Notebook交互式特性，使其成為一款執(zhí)行端到端數(shù)據(jù)科學(xué)工作流程的便捷工具，實(shí)時(shí)代碼和結(jié)果可視化集成展示的形式應(yīng)用于大數(shù)據(jù)分析，適合科研人員集中實(shí)現(xiàn)數(shù)據(jù)的清洗、轉(zhuǎn)換、分析、展示科研過(guò)程，也便于創(chuàng)建并共享代碼和文檔[14]。

對(duì)于初學(xué)者，可通過(guò)安裝Anaconda軟件包(https://www.anaconda.com)一步到位獲取上述Python庫(kù)及代碼編輯器，使用較為方便。下面對(duì)Python在創(chuàng)傷流行病學(xué)數(shù)據(jù)分析中主要涉及的第三方庫(kù)做簡(jiǎn)要介紹。

2 基于Pandas庫(kù)對(duì)創(chuàng)傷流行病學(xué)數(shù)據(jù)的獲取、清洗及基礎(chǔ)數(shù)據(jù)分析

Pandas是Python核心數(shù)據(jù)分析支持庫(kù)，提供了快速、靈活、明確的數(shù)據(jù)結(jié)構(gòu)，能夠簡(jiǎn)單、直觀(guān)地處理關(guān)系型數(shù)據(jù)。Pandas的主要數(shù)據(jù)結(jié)構(gòu)是序列(Series)和數(shù)據(jù)框(DataFrame)，分別用于一維和二維數(shù)據(jù)，這兩種數(shù)據(jù)結(jié)構(gòu)足以處理創(chuàng)傷流行病學(xué)中的相關(guān)研究數(shù)據(jù)。Pandas提供了大量數(shù)據(jù)分析函數(shù)，通過(guò)直接調(diào)用這些函數(shù)可以快速高效地完成數(shù)據(jù)清洗、統(tǒng)計(jì)分析、數(shù)據(jù)可視化等數(shù)據(jù)分析工作。以下簡(jiǎn)單介紹該庫(kù)的使用方法以及其相較于其他分析工具的優(yōu)勢(shì)。

要使用Pandas提供的數(shù)據(jù)結(jié)構(gòu)和函數(shù)，首先導(dǎo)入Pandas，使用代碼：import pandas as pd，表示導(dǎo)入Pandas并賦予別名pd，之所以取名pd只是一個(gè)約定俗成的習(xí)慣。導(dǎo)入Pandas后就可以調(diào)用其提供的處理結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，和函數(shù)完成數(shù)據(jù)的導(dǎo)入導(dǎo)出、篩選與排序、刪除、重塑、缺失值處理、類(lèi)型轉(zhuǎn)換、合并與拆分、分組、數(shù)據(jù)透視、統(tǒng)計(jì)描述及作圖等眾多操作。例如，可以使用read_csv和to_csv函數(shù)完成csv格式數(shù)據(jù)文件的讀取和輸出，也可通過(guò)特定函數(shù)直接讀取包括Excel、Stata、SAS在內(nèi)的其他數(shù)據(jù)分析軟件的數(shù)據(jù)文件。Pandas還可以直接讀取JSON格式數(shù)據(jù)，該數(shù)據(jù)格式目前被廣泛用在網(wǎng)絡(luò)應(yīng)用程序和服務(wù)器之間交換信息。另外，基于數(shù)據(jù)庫(kù)模塊，Python可以直接對(duì)數(shù)據(jù)庫(kù)進(jìn)行通信和操作，從數(shù)據(jù)庫(kù)的多個(gè)數(shù)據(jù)表中提取想要的特定數(shù)據(jù)，通過(guò)Pandas轉(zhuǎn)為數(shù)據(jù)框格式進(jìn)一步處理，實(shí)現(xiàn)對(duì)大規(guī)模臨床數(shù)據(jù)的操作。Pandas兼具NumPy高性能的數(shù)組計(jì)算功能以及電子表格和關(guān)系型數(shù)據(jù)庫(kù)靈活的數(shù)據(jù)處理功能，提供復(fù)雜精細(xì)的索引功能，能更加便捷地完成重塑、切片和切塊、聚合以及選取數(shù)據(jù)子集等操作。Pandas操作數(shù)據(jù)的規(guī)模、速度、靈活性、可重復(fù)性大大優(yōu)于Excel等傳統(tǒng)數(shù)據(jù)分析工具。

Pandas不但可以輕松處理數(shù)值型數(shù)據(jù)，對(duì)文本型、日期時(shí)間型等其他類(lèi)型數(shù)據(jù)同樣提供了豐富的處理函數(shù)。對(duì)常規(guī)的數(shù)值型數(shù)據(jù)，Pandas提供的處理函數(shù)可以方便地完成數(shù)值型數(shù)據(jù)的類(lèi)型轉(zhuǎn)換、增刪改查、統(tǒng)計(jì)分析以及數(shù)據(jù)可視化等操作；借助文本處理函數(shù)、正則表達(dá)式可以高效地完成文本數(shù)據(jù)的匹配、提取、替換、拆分、拼接、大小寫(xiě)轉(zhuǎn)換等操作；在流行病學(xué)研究中常會(huì)用到時(shí)間序列分析探索事物在時(shí)間維度上的趨勢(shì)和變化規(guī)律，進(jìn)一步可進(jìn)行預(yù)測(cè)建模的建立，然而很多時(shí)候獲得的時(shí)間數(shù)據(jù)常被保存為文本格式，Pandas通過(guò) to_datetime()函數(shù)可將其轉(zhuǎn)為datetime64數(shù)據(jù)類(lèi)型以方便重采樣等操作，重采樣是在時(shí)間維度上對(duì)數(shù)據(jù)進(jìn)行的特定周期的分類(lèi)匯總，是將時(shí)間序列從一個(gè)頻率轉(zhuǎn)換至另一個(gè)頻率的過(guò)程，這是完成時(shí)間序列分析的常用基礎(chǔ)操作，可以通過(guò)resample()函數(shù)完成。在文本型、日期時(shí)間型數(shù)據(jù)的處理上，Pandas有著傳統(tǒng)分析工具難以匹及的靈活與高效。

流行病學(xué)研究中總會(huì)遇到缺失值的問(wèn)題，處理缺失值是數(shù)據(jù)清洗的主要內(nèi)容之一，對(duì)缺失值的處理直接關(guān)系到研究結(jié)論的可靠性。處理缺失值可直接刪除或數(shù)據(jù)填補(bǔ)，兩者均有不同的細(xì)分方法，具體選擇什么樣的方法最合適要結(jié)合數(shù)據(jù)缺失情況以及研究目的綜合分析。Pandas對(duì)各類(lèi)型數(shù)據(jù)缺失值的處理提供了豐富靈活的處理函數(shù)，可以高效完成缺失值的檢測(cè)、統(tǒng)計(jì)、刪除、替換、填補(bǔ)操作。刪除操作時(shí)可以在行或列的方向設(shè)定缺失值的數(shù)量閾值、填補(bǔ)操作時(shí)可以填補(bǔ)均數(shù)、中位數(shù)、眾數(shù)、固定值以及用前值、后值填補(bǔ)，特別是在處理大規(guī)模數(shù)據(jù)時(shí)其效率優(yōu)勢(shì)更加明顯。Pandas的官方網(wǎng)站(https://pandas.pydata.org)提供了庫(kù)的下載及安裝教程，提示網(wǎng)站還提供了諸如官方說(shuō)明文檔在內(nèi)的諸多學(xué)習(xí)資料，可以幫助研究者快速學(xué)習(xí)并掌握Pandas，使其成為科學(xué)研究中得力的生產(chǎn)力工具。

下面通過(guò)一個(gè)簡(jiǎn)單案例演示Pandas在創(chuàng)傷流行病學(xué)研究中的實(shí)際應(yīng)用，程序代碼及注釋如下(程序輸出內(nèi)容有省略)：

# 導(dǎo)入Pandas庫(kù)并賦予別名，方便后續(xù)調(diào)用

import pandas as pd

# 從本地D盤(pán)讀入要分析的數(shù)據(jù)集并創(chuàng)建DataFrame對(duì)象，該數(shù)據(jù)集為某年蘇州市4萬(wàn)名創(chuàng)傷患者的部分臨床數(shù)據(jù)

df=pd.read_csv(‘D:/Documents/sz4w.csv’)

# 查看數(shù)據(jù)集信息，了解行列數(shù)、列名及各列是否存在缺失值等信息

df.info()

# 查看前五條數(shù)據(jù)

df.head()

# 統(tǒng)計(jì)si列的缺失值數(shù)目

df.si.isna().sum()

# 統(tǒng)計(jì)得到si列的缺失值較少，使用ffill方法填補(bǔ)缺失值

df.si.fillna(method=‘ffill’,inplace=True)

# 對(duì)all_time進(jìn)行類(lèi)型轉(zhuǎn)換：從object轉(zhuǎn)為datatime64,便于提取時(shí)間信息及行時(shí)間序列分析

df.call_time=pd.to_datetime(df.call_time)

# 從日期時(shí)間列call_time提取月份信息生成新列month

df[‘month’]=df.call_time.dt.month

3 基于Matplotlib等繪圖庫(kù)對(duì)創(chuàng)傷流行病學(xué)數(shù)據(jù)的可視化

完成了數(shù)據(jù)的獲取、清洗、轉(zhuǎn)換等基礎(chǔ)工作之后，往往還需要進(jìn)行數(shù)據(jù)可視化，通過(guò)圖形化的手段對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)潔高效地表達(dá)，幫助研究者發(fā)現(xiàn)某種規(guī)律和特征。圖表為更好地探索、分析數(shù)據(jù)提供了一種直觀(guān)的方法，它對(duì)最終分析結(jié)果的展示具有重要作用。當(dāng)對(duì)一個(gè)數(shù)據(jù)集進(jìn)行分析時(shí)，如果使用數(shù)據(jù)可視化的方式，會(huì)很容易地確定數(shù)據(jù)集的分類(lèi)模式、缺失數(shù)據(jù)、離群值、變化趨勢(shì)等信息。在數(shù)據(jù)可視化方面，Pandas有三個(gè)優(yōu)秀的第三方庫(kù)，分別是：Matplotlib、Seaborn、Plotly。

Matplotlib是最流行的用于繪制圖表和其他二維數(shù)據(jù)可視化的Python庫(kù)，適合創(chuàng)建出版物上使用的圖表。雖然Python還有其他的實(shí)現(xiàn)數(shù)據(jù)可視化的庫(kù)，Matplotlib卻是應(yīng)用最廣泛的，并且它和其他生態(tài)工具配合也非常完美，可以使用它作為默認(rèn)的可視化庫(kù)。同時(shí)它也提供了一部分3D繪圖接口，Matplotlib通常與NumPy、Pandas一起使用，是數(shù)據(jù)分析中不可或缺的重要工具之一。Matplotlib提供了一個(gè)套面向繪圖對(duì)象編程的API接口，能夠很輕松地實(shí)現(xiàn)各種圖像的繪制，并且它可以配合Python GUI工具(如 PyQt、Tkinter等)在應(yīng)用程序中嵌入圖形。同時(shí) Matplotlib 也支持以腳本的形式嵌入到 IPython shell、Jupyter筆記本、Web應(yīng)用服務(wù)器中使用。通常只需幾行代碼就可以生成諸如散點(diǎn)圖、箱圖、直方圖、條形圖、餅圖、等高線(xiàn)圖、熱力圖在內(nèi)的各種統(tǒng)計(jì)圖，實(shí)現(xiàn)數(shù)據(jù)的可視化。

Seaborn是對(duì)Matplotlib進(jìn)行二次封裝。因?yàn)槭腔贛atplotlib，所以Seaborn的很多圖表接口和參數(shù)設(shè)置與其很接近。相比Matplotlib而言，Seaborn的幾個(gè)突出特點(diǎn)：(1)繪圖接口更為集成，可通過(guò)少量參數(shù)設(shè)置實(shí)現(xiàn)大量封裝繪圖；(2)多數(shù)圖表具有統(tǒng)計(jì)學(xué)含義，如分布、關(guān)系、統(tǒng)計(jì)、回歸等；(3)對(duì)Pandas和NumPy數(shù)據(jù)類(lèi)型支持非常友好；(4)風(fēng)格設(shè)置更為多樣，如風(fēng)格、繪圖環(huán)境和顏色配置等。正是由于上述特點(diǎn)，在進(jìn)行探索性數(shù)據(jù)分析過(guò)程中，Seaborn往往更為高效。然而也需指出，Seaborn與Matplotlib的關(guān)系是互為補(bǔ)充而非替代。有些場(chǎng)合中Seaborn是繪圖首選，而在某些特定場(chǎng)景下則仍需用Matplotlib進(jìn)行更為細(xì)致的個(gè)性化定制。

不同于上述兩個(gè)可視化庫(kù)，Plotly功能更強(qiáng)大，且代碼更簡(jiǎn)潔，不僅與多個(gè)主流繪圖軟件良好對(duì)接，還可實(shí)現(xiàn)交互式制圖。Plotly圖表種類(lèi)齊全，除了可以繪制常見(jiàn)的基本圖表，還可以繪制科學(xué)圖表、財(cái)務(wù)圖表、地圖、3D圖表、流動(dòng)圖表等。交互性：可以與R、Python、Matlab等軟件對(duì)接，并且是開(kāi)源免費(fèi)的，Plotly與Python中Matplotlib、NumPy、Pandas等庫(kù)可以無(wú)縫集成，可以做出很多非常豐富的交互性圖表，創(chuàng)建圖形相對(duì)簡(jiǎn)單，申請(qǐng)了API密鑰后，還可以在線(xiàn)一鍵將統(tǒng)計(jì)圖形同步云端；制圖美觀(guān)：基于現(xiàn)代的配色組合、圖表形式，比R語(yǔ)言等的圖表更加現(xiàn)代、美觀(guān)。圖1展示了基于Plotly內(nèi)置數(shù)據(jù)集繪制的具有交互功能的動(dòng)態(tài)氣泡圖，該圖使用了很少量代碼全面展示了不同地區(qū)人均GDP與預(yù)期壽命的關(guān)系以及隨著時(shí)間的變化趨勢(shì)。此類(lèi)圖表非常適合用來(lái)展示流行病學(xué)相關(guān)數(shù)據(jù)的時(shí)間變化趨勢(shì)。程序代碼及注釋如下：

圖1 Plotly繪制的具有交互功能的動(dòng)態(tài)氣泡圖

df=px.data.gapminder()#獲取數(shù)據(jù)集

px.scatter(df,x="gdpPercap", y="lifeExp",

size="pop", #氣泡大小反映人口數(shù)量

size_max=50,

color="continent", #顏色區(qū)分地區(qū)

hover_name="country", #設(shè)置鼠標(biāo)懸停信息

log_x=True, #設(shè)置對(duì)數(shù)坐標(biāo)

range_x=[100,100000],

range_y=[30,90],

animation_frame="year")

上述三個(gè)繪圖庫(kù)均可通過(guò)其官網(wǎng)進(jìn)行更深入的了解，網(wǎng)站中提供了詳細(xì)的教程及參考手冊(cè)，參照網(wǎng)站中的舉例及相應(yīng)代碼，賦值手中的數(shù)據(jù)即可實(shí)現(xiàn)對(duì)創(chuàng)傷流行病學(xué)數(shù)據(jù)的可視化展示。相較于傳統(tǒng)數(shù)據(jù)分析工具，其繪圖功能更加強(qiáng)大，高效且美觀(guān)。

4 基于Scikit-learn庫(kù)對(duì)創(chuàng)傷流行病學(xué)數(shù)據(jù)的機(jī)器學(xué)習(xí)及建模

在創(chuàng)傷流行病學(xué)研究中，對(duì)于采集到的數(shù)據(jù)除了要進(jìn)行歸檔、整理、常規(guī)統(tǒng)計(jì)分析及可視化展示之外，很多時(shí)候還需要基于歷史數(shù)據(jù)建立預(yù)測(cè)模型，用于評(píng)估患者的預(yù)后、判斷是否為高危人群等，這就涉及到統(tǒng)計(jì)建模和機(jī)器學(xué)習(xí)。Python在這方面具備針對(duì)性的第三方庫(kù)及標(biāo)準(zhǔn)化的建模流程，可以幫助研究者快速建立并優(yōu)選最佳模型。其中Scikit-learn自2010年誕生已成為Python通用的機(jī)器學(xué)習(xí)工具包，其子模塊可以完成以下6大任務(wù)：(1)分類(lèi)：支持向量機(jī)、K近鄰、隨機(jī)森林、邏輯回歸等；(2)回歸：Lasso回歸、嶺回歸等；(3)聚類(lèi)：K-均值、譜聚類(lèi)等；(4)降維：主成分分析、特征選擇等；(5)模型選擇：網(wǎng)格搜索、交叉驗(yàn)證、度量；(6)預(yù)處理：特征提取、標(biāo)準(zhǔn)化。實(shí)際應(yīng)用時(shí)可以參考網(wǎng)站Scikit-learn算法選擇路徑圖(網(wǎng)址：https://scikit-learn.org/stable/tutorial/machine_learning_map/)進(jìn)行算法選擇，通過(guò)參考官方幫助文檔及實(shí)例演示完成機(jī)器學(xué)習(xí)模型的構(gòu)建及評(píng)價(jià)。區(qū)別于Scikit-learn，Statsmodels包含了經(jīng)典統(tǒng)計(jì)學(xué)和計(jì)量經(jīng)濟(jì)學(xué)算法，包括如下子模塊：回歸模型、方差分析、時(shí)間序列分析、統(tǒng)計(jì)模型結(jié)果可視化等。在機(jī)器學(xué)習(xí)方面，目前常用的工具除了Python還有R語(yǔ)言、Stata等，Python的優(yōu)勢(shì)在于其是通用編程語(yǔ)言、學(xué)習(xí)曲線(xiàn)平滑、大量的重要庫(kù)、更好的集成性以及更高的生產(chǎn)效率。基于這些優(yōu)勢(shì)使得Python在機(jī)器學(xué)習(xí)領(lǐng)域有著廣泛的應(yīng)用[15-21]。

綜上所述，創(chuàng)傷流行病學(xué)研究對(duì)于創(chuàng)傷醫(yī)學(xué)的學(xué)科發(fā)展起到了基礎(chǔ)性支撐作用。隨著國(guó)家對(duì)各級(jí)創(chuàng)傷中心建設(shè)的大力投入，逐步有了較為規(guī)范且成規(guī)模的創(chuàng)傷臨床數(shù)據(jù)庫(kù)。這些數(shù)據(jù)庫(kù)為創(chuàng)傷流行病學(xué)研究提供了寶貴的臨床大數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行深入的整理、分析、建模能夠?yàn)閯?chuàng)傷學(xué)科的質(zhì)控、評(píng)價(jià)、發(fā)展提供客觀(guān)依據(jù)，有力推進(jìn)創(chuàng)傷流行病學(xué)研究的深度和廣度。工欲善其事，必先利其器，要想充分利用這些臨床大數(shù)據(jù)推動(dòng)創(chuàng)傷流行病學(xué)研究進(jìn)入一個(gè)新高度，需要?jiǎng)?chuàng)傷醫(yī)師掌握更有力的數(shù)據(jù)分析工具。Python語(yǔ)言是繼R語(yǔ)言之后臨床醫(yī)師在數(shù)據(jù)分析、數(shù)據(jù)可視化和機(jī)器學(xué)習(xí)領(lǐng)域的又一有力武器[22-25]，其在通用性、易用性等方面更具優(yōu)勢(shì)，值得學(xué)習(xí)和掌握。

作者貢獻(xiàn)聲明：陳都：文章撰寫(xiě)、代碼編寫(xiě)及作圖；徐峰：文章立題、修改及定稿