استبيان العيادة

جزء من قسم الإحصاء لتعلّم الآلة في رحلة Machine Learning على Coddy. الدرس 64 من 64.

سألت عيادة 48 مريضًا عن زيارتهم: العمر، ونوع الزيارة، وعدد دقائق الانتظار، ومدى الرضا، من poor إلى excellent. كل ذلك موجود في clinic.csv.

ما الذي يؤثر في الرضا؟ عمودان نصّيان، لذا قم بترميزهما أولًا. للرضا ترتيب؛ أما أنواع الزيارات فلا:

صف مريض واحد قبل الترميز وبعده: العمر 58، الزيارة متابعة، الانتظار 30، الرضا جيد؛ تصبح القيم العمر 58، الانتظار 30، الرضا 3، ثم 0، 1، 0 في ثلاثة أعمدة للزيارة: فحص، متابعة، وعاجلة

عندها يصبح كل عمود رقمًا، وتُظهر خريطة حرارية واحدة مدى ارتباط كل شيء. كما يريد المدير تقريرًا لكل نوع زيارة والفئة العمرية الأقل رضا.

التحدي

صعب

يقرأ البرنامج نوع الزيارة. قرّب إلى منزلتين عشريتين.

حوّل الرضا إلى قيم من 1 إلى 4، ورمّز visit بترميز one-hot داخل encoded (dtype=int)، واحتفظ بارتباطاته.
بالنسبة إلى نوع الزيارة: عدد زياراته، ومتوسط وقت الانتظار والرضا، ونسبة غير الراضين (2 أو أقل) بينهم وبشكل عام.
قسّم الأعمار عند 17 و34 و54 و85 إلى الفئات 18-34 و35-54 و55-85؛ واطبع الفئة الأقل رضا.
ارسم المصفوفة: coolwarm من -1 إلى 1، وشريط ألوان، وأسماء الأعمدة على كلا المحورين، والعنوان Clinic Survey.

لعيادة أخرى ومع urgent:

urgent: 16 visits, mean wait 30.44, mean satisfaction 2.44
Unhappy after urgent: 0.56 (overall 0.33)
Least satisfied: 35-54 (2.6)

خريطة حرارية بعنوان Clinic Survey مع شريط ألوان من -1 إلى 1 وأسماء الأعمدة الستة على كلا المحورين: age وwait_min وsatisfaction وvisit_checkup وvisit_follow-up وvisit_urgent؛ القطر أحمر، وwait_min وsatisfaction زوج أزرق داكن

بعد أسطرك، يصف Coddy خريطتك الحرارية.

جرّب بنفسك

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

visit = input()
df = pd.read_csv("clinic.csv")

# اكتب التعليمات البرمجية الخاصة بك أدناه