synthetic metabolic dataset

该项目生成并分析了10,000名成年人的合成数据集，反映了年龄，BMI，腰围，禁食血糖，HDL，甘油三酸酯和高血压分布的年龄。我利用了NHANES（CDC）详述的联合统计趋势。通过采用各种新型算法来模拟现实的健康指标，我们将能够利用该数据集进一步分析与代谢综合征相关的危险因素。

初始导入：项目开始于导入必需的Python库：用于数值操作的NUMPY，用于数据操作的PANDA，MATPLOTLIB.PYPLOT用于可视化，以及用于生成随机数的随机。这些库构成了用于处理数据，执行统计计算和绘制图的基础工具包。

成人人群数据集发电机：该代码生成一个由10,000名成年人组成的合成数据集，模仿了美国成年美国人群的年龄和BMI分布。它定义了年龄组及其比例，从而产生了年龄分布。该数据集包括“年龄”和“性别”列，其BMI值基于每个年龄段的指定特征创建。该数据集密切反映了年龄和BMI分布，使其适合分析代谢健康风险。

腰围生成算法：一个函数基于BMI，年龄和性别生成逼真的腰围值。该算法使用线性关系，年龄调整因子和随机变化来模拟个体差异。该函数使用PANDAS的应用方法集成到主数据集中。

禁食血糖产生算法：一种功能使用概率方法基于年龄和BMI产生空腹血糖（FBG）值。定义了BMI类别，并通过年龄因素调整了升高FBG的基本概率。值是使用统一分布生成的，反映了现实的范围。此函数使用PANDAS的应用方法集成到主数据集中。

甘油三酸酯水平的生成算法：一个函数使用分层概率方法基于年龄和BMI类别生成甘油三酸酯水平。为每个BMI类别定义了甘油三酸酯水平的参数，并调整了概率的年龄调整。使用统一分布生成值，并通过PANDAS的应用方法集成到主数据集中。

HDL胆固醇产生算法：一种功能通过概率方法基于年龄，性别和BMI类别生成HDL胆固醇水平。针对特定性别的阈值和年龄调整来产生值，反映了现实的分布。此功能使用numpy进行随机生成，并使用pandas的应用方法与主数据集集成。

高血压分配算法：一种功能使用概率方法根据年龄和BMI类别分配高血压状态。应用基本概率和年龄调整，随机生成确定状态。使用PANDAS的应用方法将此二进制状态集成到数据集中。

识别代谢综合征和标准化数据集列：该代码使用检查五个标准的功能来识别代谢综合征的个体：腹部肥胖，甘油三酸酯升高，降低HDL胆固醇，血压升高，血压升高和升高葡萄糖。满足至少三个标准将一个人归类为具有代谢综合征的人。该函数应用于每一行，创建一个新的Menebolic_syndrome列。该代码还标准化列名称以保持一致性并执行初始数据探索，并准备数据集以进行进一步分析。

代谢综合征分类算法：一种功能使用临床标准将个体分类为代谢综合征，并将特定性别特异性阈值用于腰围和HDL胆固醇。该函数应用于每个数据集行，生成二进制分类。代谢综合征的总体患病率是计算和打印的，以及更新的数据集的样本。

BMI对健康指标的数据可视化：一种全面的数据可视化策略分析了BMI与各种健康指标之间的关系，并由性别隔离。数据聚集，双线图和情节美学的微调有助于对复杂关系的有效可视化，从而快速识别趋势和性别特定的模式。

按年龄按数据可视化健康指标：类似的数据可视化策略分析了年龄与各种健康指标之间的关系，并被性别隔离。基于年龄的聚合和双线图揭示了与年龄相关的健康趋势，为特定年龄的健康干预提供了见解。

合成数据与NHANES参考的比较分析：数据分析算法将合成数据集与NHANES参考数据进行比较，重点是关键健康指标。百分比计算和偏差度量为合成数据与现实世界统计数据的一致性和偏差提供了见解。这种方法有助于完善数据生成过程的准确性。