Финальный проект: Анализ данных — связь фибромиалгии и аутичного поведения

Для поиска данных, которые я буду анализировать, я выбрала список баз данных на сайте Kaggle.com. Я хотела анализировать что-то, связанное с ментальным здоровьем, и остановилась на базе данных, посвящённой связи фибромиалгии и аутичного поведения и сенсорной чувствительности.

Фибромиалгия — это хроническое заболевание, характеризующееся болями в мышцах и мягких тканях. Цель анализа — исследовать взаимосвязь между фибромиалгией и поведением, похожим на аутизм, с акцентом на повышенную чувствительность к сенсорным процессам. Для этого я проанализировала данные контрольной группы и группы пациентов с фибромиалгией. Расстройства аутистического спектра (РАС) — это группа нейроразвивающих состояний, характеризующихся различными степенями трудностей в социальной коммуникации, повторяющимся поведением и ограниченными интересами. РАС охватывает широкий спектр симптомов и уровней функционирования, от серьезных нарушений, требующих значительной поддержки, до состояний, при которых человек может жить самостоятельно.

В этом наборе данных исследуется взаимосвязь между фибромиалгией и поведением, похожим на аутизм, с акцентом на повышенную чувствительность к сенсорным процессам. Данные включают различные показатели, полученные как в контрольной группе, так и в группах, страдающих фибромиалгией. Я выбрала для анализа именно эти данные, потому что:

• Мне показалось, что это достаточно неисследованная тема; я никогда прежде не слышала про фибромиалгию и не знала, что она может быть связана с расстройством аутистического спектра;
• У меня самой есть РАС, поэтому я подумала, что в процессе анализа могу узнать что-то новое о себе и своём состоянии;

Для анализа данных я решила использовать boxplot (ящиковые диаграммы).

Почему Boxplot? 1. Отображение распределения данных: Boxplot позволяет визуализировать распределение данных по группам, показывая медиану, квартили и возможные выбросы. Это полезно для понимания диапазона значений и симметричности распределения.

2. Сравнение групп: Boxplot хорошо подходит для сравнения нескольких групп. В данном случае мы сравниваем группы "Контроль" и "Фибромиалгия", а также пол (мужчины и женщины). Он позволяет легко увидеть различия между группами в отношении центральной тенденции и вариативности.

3. Идентификация выбросов: Boxplot отображает выбросы, что помогает выявить аномальные значения в данных. Это важно для дальнейшего анализа и принятия решений по обработке данных.

В этой таблице содержатся данные из 399 записей с 74 столбцами, включающими такие переменные, как группа (контроль или фибромиалгия), пол, возраст, различные индексы и показатели. Для дальнейшего анализа и визуализации я выбрала несколько показателей: решил сравнить показатели CSI_total (общий индекс CSI) и SAT_total (общий индекс SAT) в зависимости от группы и пола.

Анализ данных

• Распределение общего индекса CSI и SAT по группам (контроль и фибромиалгия).
• Распределение общего индекса CSI и SAT по полу.

Сначала я загрузила файл с помощью функции files.upload() в Colab. Более подробный процесс описан на скриншотах через пояснения в самом коде.

Затем нужно было прочитать загруженный файл, используя его имя. При запуске кода появилось окошко, в котором нужно было выбрать нужный файл в формате csv из проводника.

Дальше нужно было создать новый DataFrame с интересующими меня столбцами и переименовать их для удобства.

Здесь отображено использование seaborn и matplotlib для построения графиков.

Вывод из анализа Этот анализ позволяет визуально оценить различия в показателях CSI и SAT между разными группами и полами.

Такие графики получились на выходе при запуске этого кода.

Затем последовал этап первичной стилизации полученных данных. У меня не нашлось никаких референсов, но я хотела сделать что-то приятное глазу.

Я переименовала столбцы для удобства, установил стиль и палитру (whitegrid и coolwarm). Функция внизу скриншота сверху отвечает за улучшение внешнего вида графика.

Здесь происходит визуализация распределения общего индекса CSI и SAT по группам и по полу.

В итоге получились такие графики. Здесь видно, что изменены размеры шрифтов, цветовая палитра, начертание. А также сетка была сделана пунктирной.

Ещё я попробовала поиграть с другими цветовыми гаммами, но как итоговый вариант решила оставить предыдущий.

Я захотела стилизовать график под что-то похожее на референсы, которые я приложу ниже. Потребовалось написать новый код. Этот код использует библиотеку mplcyberpunk: он добавляет к графикам неоновые эффекты и создаёт новый стиль в приятных тёмных тонах.