2025年亚太中文赛B题第一版本超详细解题思路

亚太中文赛作为2025年暑期第一场数模竞赛，难度约为0.5-0.6个国赛。本文将为大家详细的带来B题超详细的解题思路。

其中B题数据均在网上可以找到公开来源，具体如下所示

技术参考网站

基于统计检验与多模型对心脏病数据的分析与预测

https://www.heywhale.com/mw/project/68287347e0112fbd79e75963

中风数据集疑似来源

https://www.heywhale.com/mw/dataset/648d46ae9de7b81463a94e2b/file

相关项目

https://www.heywhale.com/mw/dataset/648d46ae9de7b81463a94e2b/project

肝硬化数据来源

https://www.kaggle.com/datasets/abuchionwuegbusi/cirrhosis-patient-survival-prediction

数据介绍 1974 年至 1984 年期间，424 名 PBC 患者转诊至梅奥诊所，有资格参加测试 D-青霉胺药物的随机安慰剂对照试验。其中，最初的 312 名患者参加了试验，并且拥有大部分全面的数据。其余 112 名患者没有参加临床试验，但同意记录基本指标并接受生存跟踪。其中 6 名患者在诊断后很快就无法追踪，除了随机试验的 312 名患者外，还留下了其中 106 人的数据。

问题1：数据预处理与基础统计分析

问题描述：对疾病数据集进行预处理，并分析各个特征与疾病发生的关系。

进行数据清洗、缺失值填补、标准化等步骤，使用描述性统计与可视化工具（如直方图、散点图）分析不同特征与疾病发生的相关性，描述性统计分析：均值、中位数、方差、相关系数等。

问题一主要分为数据清洗与预处理、基础统计分析、可视化分析。

1.1 数据清洗与预处理

缺失值处理：检查每个数据集中的缺失值，并决定如何处理这些缺失值。常见的处理方式包括删除含缺失值的行或用均值、中位数或众数填充缺失数据。

数据转换：将类别变量（如性别、是否患有高血压、是否吸烟等）转换为数值型变量，以便于机器学习模型使用。可以使用LabelEncoder 或 OneHotEncoder 进行转换。

· 类变量编码： 

二分类：Label Encoding (0,1)

多分类：One-Hot Encoding 或 Target Encoding

· 数值变量标准化：使用StandardScaler或MinMaxScaler

标准化与归一化：对于一些具有较大数值范围的特征（如年龄、血糖水平等），可以进行标准化或归一化处理，以提高模型训练的效果。

具体来讲我们需要首先进行数据清洗，(由于样本之间独立 互不相连，这里可以直接选择删除处理)，具体如下所示

后续模型中我们需要输入数据，而原始表格数据存在大量的文字信息，我们这里应该进行转码处理，即将文字信息进行量化处理，具体如下所示

我们后续基于处理后的数据进行了计算各数据集的均值、标准差、最小值、最大值、中位；统计三种疾病的患病率/死亡率；计算完整的相关系数矩阵；统计显著性检验(方差分析(ANOVA)：检验连续变量对疾病的影响、卡方检验：检验分类变量与疾病的关联性)

【因数据预处理不同，数值上略有不同很合理】

患病率汇总：

中风患病率：4.26%

心脏病患病率：55.29%

肝硬化死亡率：40.22%

Stroke各特征与中风的相关性：

age: 0.232

hypertension: 0.143

heart_disease: 0.138

ever_married: 0.105

work_type: 0.080

Residence_type: 0.006

avg_glucose_level: 0.139

bmi: 0.042

smoking_status: -0.076

Heart各特征与心脏病的相关性：

Age: 0.282

Sex: 0.305

ChestPainType: -0.469

RestingBP: 0.118

Cholesterol: -0.231

FastingBS: 0.268

RestingECG: 0.062

MaxHR: -0.401

ExerciseAngina: 0.495

Oldpeak: 0.404

ST_Slope: -0.608

Cirrhosis各特征与死亡状态的相关性：

N_Days: -0.385

Drug: -0.036

Age: 0.225

Sex: 0.178

Ascites: 0.291

Hepatomegaly: 0.292

Spiders: 0.229

Edema: 0.261

Bilirubin: 0.427

Cholesterol: 0.190

Albumin: -0.271

Copper: 0.395

Alk_Phos: 0.277

SGOT: 0.265

Tryglicerides: 0.227

Platelets: -0.087

Prothrombin: 0.374

Stage: 0.321

问题2：疾病预测模型

问题描述：基于特征建立疾病预测模型，评估不同疾病（心脏病、中风、肝硬化）的患病概率。

可以使用分类算法（如逻辑回归、支持向量机、随机森林）来预测疾病的发生概率，并使用交叉验证和混淆矩阵评估模型的性能。

可能使用的模型：

逻辑回归：适合处理二分类问题。

支持向量机（SVM）：在高维空间有效分类。

随机森林：集成学习方法，适用于处理复杂数据。

对于问题二，我们需要对不同的数据进行不同的处理方式，对连续变量进行标准化处理。并基于基于问题一的相关性分析结果选择重要特征。下面为了初步展示，我们实现了三种经典的机器学习算法：

逻辑回归：线性模型，解释性强，适合医学应用

支持向量机(SVM)：非线性模型，适合小样本数据 

随机森林：集成学习，能处理特征交互，提供特征重要性

最终结果如下所示是
--- Stroke模型性能对比 ---

模型准确率精确率召回率特异性F1分数AUC

逻辑回归0.95720.00000.00000.99890.00000.8148

SVM0.95820.00000.00001.00000.00000.5000

随机森林0.95720.00000.00000.99890.00000.7842

--- Heart模型性能对比 ---

模型准确率精确率召回率特异性F1分数AUC

逻辑回归0.85250.84260.90100.79270.87080.9094

SVM0.77050.75210.87130.64630.80730.5000

随机森林0.81970.80910.88120.74390.84360.9021

--- Cirrhosis模型性能对比 ---

模型准确率精确率召回率特异性F1分数AUC

逻辑回归0.78180.81250.59090.90910.68420.9325

SVM0.78180.75000.68180.84850.71430.5000

随机森林0.80000.82350.63640.90910.71790.8960

其他可以选择的模型，如下所示

问题3：多疾病关联与综合风险评估

问题描述：构建一个综合风险评估模型，预测患者同时患有心脏病、中风和肝硬化的概率。

对于本问题

年龄（Age）

Stroke数据集：age 

Heart数据集：Age 

Cirrhosis数据集：Age 

特点：三个数据集都有，数值型，可直接对齐

性别（Sex/Gender）

Stroke数据集：gender (0=女, 1=男) 

Heart数据集：Sex (0=女, 1=男) 

Cirrhosis数据集：Sex (0=女, 1=男) 

特点：三个数据集都有，编码一致

胆固醇（Cholesterol）

Stroke数据集：❌ 没有此特征 

Heart数据集：✅ Cholesterol 

Cirrhosis数据集：✅ Cholesterol

使用年龄以及性别，还有利用医学等价性对齐的特征将Stroke数据集中胆固醇进行合理转换。

单疾病风险预测

心脏病预测：基于年龄+性别+胆固醇

肝硬化预测：基于年龄+性别+胆固醇

中风预测：基于年龄+性别（因为缺少胆固醇数据）

多元回归：分析多个特征对患病风险的影响。

问题4：预防措施建议

八仙过海、各显神通，根据分析结果，提出针对心脏病、中风和肝硬化的预防建议。