1.1.1 智能医疗系统中的业务数据处理流程设计

工作任务

某医疗机构计划引入智能医疗系统，以提升诊断效率和准确性。通过分析患者的历史数据，使用机器学习算法预测患者的健康风险，从而辅助医生进行诊断和治疗。

我们提供一个患者数据集（patient_data.csv），包含以下字段：

PatientID: 患者ID Age: 年龄 BMI: 体重指数
BloodPressure: 血压 Cholesterol: 胆固醇水平
DaysInHospital: 住院天数

具体要求

（1）统计住院天数超过7天的患者数量及占比。住院>7天为高风险，否则为低风险。将结果截图保存为 1.1.1-1.jpg。

（2）统计不同BMI区间中高风险患者的比例和患者数。BMI区间：低于18.5、18.5～24.9、25.0～29.9、高于30.0。截图保存为 1.1.1-2.jpg。

（3）统计不同年龄区间中高风险患者的比例和患者数。年龄区间：低于25岁、26-35岁、36-45岁、46-55岁、56-65岁、高于65岁。截图保存为 1.1.1-3.jpg。

注意事项

在代码的橙色下划线处填写正确的 Python 代码
请勿修改源代码的其他部分
填写完成后点击 "检查答案" 查看评分
点击 "显示答案" 可直接查看所有参考答案
点击 "重置" 清空所有填写内容

当前得分

0 / 23

In [1] — 导入库 & 读取数据 1分

import pandas as pd import numpy as np # 读取数据集 1分 data =

In [2] — 统计住院天数与风险等级 7分

# 1. 统计住院天数超过7天的患者数量及其占比 # 创建新列'RiskLevel'，根据住院天数判断风险等级 3分 = (, '高风险患者', '低风险患者') # 统计不同风险等级的患者数量 2分 risk_counts = data. # 计算高风险患者占比 1分 high_risk_ratio = risk_counts['高风险患者'] / # 计算低风险患者占比 1分 low_risk_ratio = risk_counts['低风险患者'] / # 输出结果 print("高风险患者数量:", risk_counts['高风险患者']) print("低风险患者数量:", risk_counts['低风险患者']) print("高风险患者占比:", high_risk_ratio) print("低风险患者占比:", low_risk_ratio)

In [3] — BMI 区间高风险患者统计 7分

# 2. 统计不同BMI区间中高风险患者的比例和患者数 # 定义BMI区间和标签 bmi_bins = [0, 18.5, 24, 28, np.inf] bmi_labels = ['偏瘦', '正常', '超重', '肥胖'] # 根据BMI值划分指定区间 4分 data['BMIRange'] = (, , , right=False) # 计算每个BMI区间中高风险患者的比例 2分 bmi_risk_rate = ()['RiskLevel'].apply(lambda x: (x == '高风险患者').mean()) # 统计每个BMI区间的患者数量 1分 bmi_patient_count = data # 输出结果 print("BMI区间中高风险患者的比例和患者数:") print(bmi_risk_rate) print(bmi_patient_count)

In [4] — 年龄区间高风险患者统计 7分

# 3. 统计不同年龄区间中高风险患者的比例和患者数 # 定义年龄区间和标签 age_bins = [0, 26, 36, 46, 56, 66, np.inf] age_labels = ['≤25岁', '26-35岁', '36-45岁', '46-55岁', '56-65岁', '＞65岁'] # 根据年龄值划分指定区间 4分 data['AgeRange'] = (, , , right=False) # 计算每个年龄区间中高风险患者的比例 2分 age_risk_rate = ()['RiskLevel'].apply(lambda x: (x == '高风险患者').mean()) # 统计每个年龄区间的患者数量 1分 age_patient_count = data # 输出结果 print("年龄区间中高风险患者的比例和患者数:") print(age_risk_rate) print(age_patient_count)

人工智能训练师（三级）实操考试 — 1.1.1 智能医疗系统中的业务数据处理流程设计