Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Enquête en clinique

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 64 sur 64.

Une clinique a interrogé 48 patients au sujet de leur visite : leur âge, le type de visite, les minutes d’attente et leur satisfaction, de poor à excellent. Toutes ces données se trouvent dans clinic.csv.

Qu’est-ce qui influence la satisfaction ? Deux colonnes contiennent du texte, encode-les d’abord. La satisfaction suit un ordre ; les types de visite, non :

Ligne d’un patient avant et après l’encodage : âge 58, visite de suivi, attente 30, satisfaction bonne devient âge 58, attente 30, satisfaction 3, puis 0, 1, 0 dans trois colonnes de visite pour le bilan, le suivi et les urgences

Ensuite, chaque colonne est un nombre, et une carte thermique montre les relations entre tous les éléments. Le responsable souhaite également un rapport pour chaque type de visite et le groupe d’âge le moins satisfait.

challenge icon

Défi

Difficile

Le programme lit un type de visite. Arrondis à 2 décimales.

  1. Convertis la satisfaction en valeurs de 1 à 4, encode visit en variables indicatrices dans encoded (dtype=int) et conserve ses corrélations.
  2. Pour le type de visite : indique le nombre de visites, le temps d’attente moyen et la satisfaction moyenne, ainsi que la proportion de personnes insatisfaites (2 ou moins) parmi ces visites et dans l’ensemble.
  3. Répartis les âges aux seuils 17, 34, 54 et 85 dans les catégories 18-34, 35-54, 55-85 ; affiche la catégorie la moins satisfaite.
  4. Trace la matrice : coolwarm de -1 à 1, une barre de couleurs, les noms des colonnes sur les deux axes et le titre Clinic Survey.

Pour une autre clinique et 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)

Carte thermique intitulée Clinic Survey avec une barre de couleurs de -1 à 1 et les six noms de colonnes sur les deux axes : age, wait_min, satisfaction, visit_checkup, visit_follow-up, visit_urgent ; diagonale rouge, wait_min et satisfaction forment une paire bleu foncé

Après tes lignes, Coddy décrit ta carte thermique.

Essayez vous-même

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

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

# Écrivez votre code ci-dessous
quiz iconTestez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Toutes les leçons de Statistiques pour le ML

1Centre et dispersion

Moyenne et médianePercentiles et quartilesVariance et écart-typeÉchantillon ou population ?La valeur la plus fréquenteRécapitulatif : délais de livraison

4Échantillons et populations

Population et échantillonLes moyennes d’échantillon varientLa distribution d’échantillonnageDes échantillons plus grands, moins de bruitRécapitulatif : sonder une ville

7Droites de tendance

RésidusAjustement par les moindres carrésTracer la droite d’ajustementPrédire avec une droiteQualité de l’ajustementRécapitulatif : heures de pratique

10Encodage des catégories

Les catégories sous forme de nombresEncodage one-hotRegrouper les nombres en intervallesRécapitulatif : annonces de voitures

2Distributions

Histogrammes de densitéFormes des donnéesLa courbe normaleLa règle des 68-95-99,7Scores zRécapitulatif : autonomie de la batterie

5Valeurs aberrantes

Diagrammes en boîteLa règle de l’écart interquartileLa règle du score ZTraiter les valeurs aberrantesRécapitulatif : anomalies des capteurs

8Comparer des groupes

Diagrammes en boîte par groupeDifférence entre les moyennesEst-ce dû au hasard ?Valeurs pLe test tRécapitulatif : test A/B

11Explorer un jeu de données

Un premier aperçuToutes les caractéristiques à la foisCaractéristiques et étiquetteLes deux meilleures caractéristiquesRécapitulatif : données sur le diabète

3Les probabilités par simulation

La probabilité comme fréquenceLa loi des grands nombresSommes de désEspérance mathématiqueProbabilité conditionnelleRécapitulatif : les chances au stand de dés

6Relations

Lire des nuages de pointsCorrélationMatrice de corrélationCartes thermiques de corrélationCorrélation n’est pas causalitéRécapitulatif : glace et soleil

9Mise à l’échelle des caractéristiques

Pourquoi mettre les caractéristiques à l’échelleMise à l’échelle Min-MaxStandardisationStandardScalerRécapitulatif : partenaires d’escalade

12Défis finaux

Retards des trainsQualité de l’airChimie du vinEnquête en clinique

Entraînez-vous par vous-même : Compilateur Python en ligne