肥胖地理学：基于医疗保健可及性预测加利福尼亚州肥胖率
基于加州县级数据，使用OLS回归探究医疗可及性对肥胖率的影响的表格数据集。
基本信息
资源简介
肥胖地理学：基于医疗保健可及性预测加利福尼亚州肥胖率
【一句话概览】
本文关注健康结果在小尺度上的差异，指出全国层面统计难以准确反映美国公民真实健康状况。为理解这种变异的原因，研究考察地理如何影响加州县级肥胖率。作者使用OLS回归预测县级肥胖率，纳入健康预测因素、社会经济变量、到健康诊所距离及各县级对初级保健的重视程度。结果显示，到医疗设施的距离对预测肥胖率显著；诊所和医生密度更高的更城市化地区，肥胖率可能最低（来源 DataONE）。
【数据集背景】
本数据集源站标题为《The Geography of Obesity: Predicting Obesity Rates in California Based on Access to Health Care》。
【数据内容】
源站原始描述：Health outcomes vary on a small scale; therefore, national level statistics inaccurately represent the true health of U.S. citizens. In order to get a better idea of why such variation exists, this paper looks at how geography affects county level obesity rates in California. County level obesity rates are predicted using an OLS regression that includes not only health predictors and socioeconomic variables, but also variables representing distance to health clinics and the emphasis on primary c…
中文译文（机器翻译，仅供快速理解，请以原文为准）：健康结局在小尺度上存在差异；因此，全国层面的统计数据无法准确反映美国公民的真实健康状况。为了更好地了解这种差异存在的原因，本文考察了地理因素如何影响加利福尼亚州县级肥胖率。县级肥胖率通过OLS回归进行预测，该回归不仅包含健康预测变量和社会经济变量，还包含表示到诊所距离以及各县对初级保健重视程度的变量。结果最终表明，到医疗机构的距离对预测肥胖率具有显著性，而诊所和医生密度更高的更城市化地区，其肥胖率很可能最低。
【主题与分类】
主题标签：Social Sciences。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://search.dataone.org/view/sha256:122257c3d1db982bcc2d6435bb760fdc0e5f24b895eeeb26093d9b0a6574e8e8
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 3.0 KB。
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
