构建预测睡眠质量模型_相关性分析，多变量分析和聚类分析

数据入口：睡眠质量记录数据集 - Heywhale.com

本数据集目的是探究不同因素是如何影响睡眠质量和整体健康的。

数据说明

字段	说明
Heart Rate Variability	心率变异性：心跳时间间隔的模拟变化
Body Temperature	体温：以摄氏度为单位的人工生成体温
Movement During Sleep	睡眠期间活动：睡眠时活动量的合成数据
Sleep Duration Hours	睡眠时长：模拟生成的总睡眠小时数
Sleep Quality Score	睡眠质量评分：代表睡眠质量的合成评分
Caffeine Intake (mg)	咖啡因摄入量（毫克）：以毫克为单位的模拟咖啡因摄入量
Stress Level	压力水平：压力水平的模拟指数
Bedtime Consistency	睡眠规律性：睡眠时间一致性的模拟值；范围 0-1，数值越低表示规律性越差
Light Exposure Hours	日间光照时长：白天接触到光照的时长

一：相关性分析

首先进行相关性分析，以探索这些变量之间的关联，特别是与睡眠质量评分(Sleep_Quality_Score)的关系。

import pandas as pdfile_path = 'wearable_tech_sleep_quality.csv'
data = pd.read_csv(file_path)correlation_matrix = data.corr()correlation_matrix

相关性分析结果：

• 睡眠质量评分（Sleep_Quality_Score）与其他变量的相关性普遍较弱。其中，与咖啡因摄入量（Caffeine_Intake_mg）的相关性最强，为-0.722，表明咖啡因摄入量与睡眠质量评分呈负相关。
• 其他变量之间的相关性也普遍不强，但有一些值得注意的关联，例如心率变异性（Heart_Rate_Variability）与就寝时间一致性（Bedtime_Consistency）之间的相关性为0.048，以及睡眠期间的运动（Movement_During_Sleep）与就寝时间一致性（Bedtime_Consistency）之间的相关性为-0.039。

下一步，我将进行多变量分析，使用多元线性回归来探究多个变量如何共同影响睡眠质量评分。

二：多变量分析

from sklearn.linear_model import LinearRegression
import numpy as npX = data.drop('Sleep_Quality_Score', axis=1)
y = data['Sleep_Quality_Score'] model = LinearRegression()model.fit(X, y)coefficients = model.coef_coefficients_df = pd.DataFrame(coefficients, X.columns, columns=['Coefficient'])
coefficients_df

多变量分析结果（多元线性回归）：

多元线性回归模型的系数如下：

• 心率变异性（Heart_Rate_Variability）：0.0036
• 体温（Body_Temperature）：-0.0107
• 睡眠期间的运动（Movement_During_Sleep）：-0.2030
• 睡眠时长（Sleep_Duration_Hours）：0.1324
• 咖啡因摄入量（Caffeine_Intake_mg）：-0.0229
• 压力水平（Stress_Level）：-0.0418
• 就寝时间一致性（Bedtime_Consistency）：-0.5801
• 光照暴露时间（Light_Exposure_hours）：0.0033

这些系数表明，每个变量对睡眠质量评分的相对影响。例如，就寝时间一致性（Bedtime_Consistency）的系数为-0.5801，这意味着就寝时间一致性每增加一个单位，睡眠质量评分预计会减少0.5801个单位。

下面将进行聚类分析，以识别数据中的自然分组，这有助于我们理解不同人群的睡眠和健康模式。

三：聚类分析

from sklearn.cluster import KMeans
import matplotlib.pyplot as pltwcss = []for i in range(1, 11):kmeans = KMeans(n_clusters=i, init='k-means++', random_state=42)kmeans.fit(X)wcss.append(kmeans.inertia_)plt.figure(figsize=(10, 5))
plt.plot(range(1, 11), wcss, marker='o', linestyle='--')
plt.title('Elbow Method to Find Optimal Number of Clusters')
plt.xlabel('Number of Clusters')
plt.ylabel('Within-Cluster Sum of Squares (WCSS)')
plt.grid(True)
plt.show()

使用肘部法则（Elbow Method）来确定最佳的聚类数。从图中可以看出，随着聚类数量的增加，组内平方和（WCSS）逐渐减小。理想的聚类数通常是在WCSS下降速度开始减缓的点。根据这个图表，我们可以选择2或3个聚类作为最佳数量。

现在，我将使用KMeans算法进行聚类分析，选择3个聚类作为例子，并展示每个聚类中心的特点。

kmeans = KMeans(n_clusters=3, init='k-means++', random_state=42)
clusters = kmeans.fit_predict(X)cluster_centers = kmeans.cluster_centers_
cluster_centers_df = pd.DataFrame(cluster_centers, columns=X.columns)
cluster_centers_df['Cluster'] = ['Cluster 1', 'Cluster 2', 'Cluster 3']
cluster_centers_df = cluster_centers_df.set_index('Cluster')
cluster_centers_df.T  

聚类分析结果（KMeans，3个聚类）：

每个聚类中心的特点如下：

• Cluster 1：

  • 心率变异性（Heart_Rate_Variability）：70.395
  • 体温（Body_Temperature）：36.520
  • 睡眠期间的运动（Movement_During_Sleep）：1.973
  • 睡眠时长（Sleep_Duration_Hours）：7.494
  • 咖啡因摄入量（Caffeine_Intake_mg）：46.825
  • 压力水平（Stress_Level）：4.903
  • 就寝时间一致性（Bedtime_Consistency）：0.493
  • 光照暴露时间（Light_Exposure_hours）：8.006

• Cluster 2：

  • 心率变异性（Heart_Rate_Variability）：70.387
  • 体温（Body_Temperature）：36.563
  • 睡眠期间的运动（Movement_During_Sleep）：2.033
  • 睡眠时长（Sleep_Duration_Hours）：7.582
  • 咖啡因摄入量（Caffeine_Intake_mg）：277.643
  • 压力水平（Stress_Level）：5.007
  • 就寝时间一致性（Bedtime_Consistency）：0.508
  • 光照暴露时间（Light_Exposure_hours）：8.146

• Cluster 3：

  • 心率变异性（Heart_Rate_Variability）：70.380
  • 体温（Body_Temperature）：36.532
  • 睡眠期间的运动（Movement_During_Sleep）：2.017
  • 睡眠时长（Sleep_Duration_Hours）：7.396
  • 咖啡因摄入量（Caffeine_Intake_mg）：157.392
  • 压力水平（Stress_Level）：4.935
  • 就寝时间一致性（Bedtime_Consistency）：0.511
  • 光照暴露时间（Light_Exposure_hours）：8.001

这些聚类展示了数据中的自然分组，每个聚类都有其独特的特征。例如，Cluster 2的咖啡因摄入量显著高于其他两个聚类，这可能表明这个聚类中的个体可能有更高的咖啡因依赖性，这可能会影响他们的睡眠质量。

四：构建预测睡眠质量线性回归模型

首先，我将进行数据预处理，包括处理缺失值、异常值，以及特征选择。然后，我将选择适当的模型来构建预测睡眠质量的模型。考虑到数据的性质，我会选择线性回归模型，因为它简单且易于解释。接着，我将使用训练数据集来训练模型。最后，我将使用测试数据集来评估模型的性能。

from sklearn.model_selection import train_test_split
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScalerX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)imputer = SimpleImputer(strategy='mean')
X_train_imputed = imputer.fit_transform(X_train)
X_test_imputed = imputer.transform(X_test)scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train_imputed)
X_test_scaled = scaler.transform(X_test_imputed)

上述代码使用均值填充策略填充了训练集和测试集中的缺失值，并使用标准缩放方法对数据进行了标准化处理。下一步，我将选择线性回归模型来构建预测睡眠质量的模型，并使用训练数据集进行训练。

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_errormodel = LinearRegression()model.fit(X_train_scaled, y_train)y_pred = model.predict(X_test_scaled)mse = mean_squared_error(y_test, y_pred)mse

模型训练与评估结果：

已经使用线性回归模型训练了模型，并且模型已经拟合了训练数据。使用测试数据集评估模型的性能，得到的均方误差（MSE）为3.93。MSE是一个衡量模型预测准确性的指标，值越小表示模型预测越准确。总结来说，这个线性回归模型能够较好地预测睡眠质量。

想要探索多元化的数据分析视角，可以关注之前发布的相关内容。