关于数据集

肺癌风险数据集

概述

该数据集包含 50,000 份患者资料，用于肺癌风险分析和机器学习应用。该数据集干净、经过预处理，可立即用于分类任务、统计分析和数据可视化。

• 行数：50,000
• 列数：11
• 文件：preprocessed_lung_cancer_dataset.csv
• 许可证：CC0：公共领域

数据集描述

该数据集包含基于已知肺癌风险因素（例如吸烟史、环境暴露和慢性肺部疾病）的患者资料。所有数据均为合成数据，旨在反映真实的风险因素分布，同时保护患者隐私。

特征

柱子	类型	描述	值/范围
患者 ID	整数	唯一患者标识符	100000-149999
年龄	整数	患者年龄（岁）	18-100
性别	细绳	患者性别	“男”、“女”
包装年数	漂浮	吸烟暴露（年数×每天包数）	0-100
氡暴露	细绳	住宅氡暴露水平	“低”、“中”、“高”
石棉暴露	细绳	职业石棉暴露史	“是”，“否”
二手烟暴露	细绳	被动吸烟	“是”，“否”
慢性阻塞性肺病诊断	细绳	慢性阻塞性肺疾病诊断	“是”，“否”
酒精消费	细绳	酒精消费模式	“无”、“中等”、“严重”
家族史	细绳	肺癌家族史	“是”，“否”
肺癌	细绳	目标变量：肺癌诊断	“是”，“否”

数据质量

• 完整：没有缺失值或重复值
• 清洁：所有值都在实际范围内
• 平衡特征：风险因素的现实分布
• 目标分布：约 25% 的阳性病例，反映现实世界的肺癌患病率

用例

• 二元分类建模
• 危险因素相关性分析
• 数据可视化和探索性分析
• 机器学习管道开发
• 统计假设检验