BRFSS 2020 心脏病数据集（清洗版）

数据集获取

源站：https://doi.org/10.5281/zenodo.15364962

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据集大小约 23.3 MB。

数据说明

最初，该数据集来源于美国疾病控制与预防中心（CDC），是行为风险因素监测系统（BRFSS）的重要组成部分。BRFSS通过年度电话调查收集美国居民健康状况的数据。正如CDC所述：“BRFSS成立于1984年，起初涵盖15个州，如今已覆盖全部50个州以及哥伦比亚特区和三个美国领地。每年，BRFSS完成超过40万次成人访谈，成为全球规模最大的持续进行的健康调查系统。”截至2022年2月15日，最新的数据集包含了2020年的数据，共计401,958行和279列。绝大多数列涉及向受访者询问其健康状况的问题，例如“您是否有严重的行走或爬楼梯困难？”或“您一生中是否吸过至少100支香烟？[注：5包=100支香烟]”。为了提高分析的效率和相关性，我们从原始BRFSS数据集中移除了一些属性。

在279个原始属性中，许多包含了行政代码、元数据或调查特定变量，这些对心脏病预测并无实质性贡献——如受访者ID、时间戳、州级标识符以及与心血管健康无关的详细生活方式问题。通过聚焦于精心挑选的18个与已知影响心脏健康的医学、行为及人口学因素直接相关的属性子集，我们精简了数据集。这不仅降低了计算复杂度，还通过剔除噪声和无关信息提升了模型的可解释性和性能。所有预测变量可划分为4大类：人口学因素：性别、年龄类别（14个级别）、种族、BMI（身体质量指数）；疾病：受访者是否曾患有哮喘、皮肤癌、糖尿病、中风或肾脏疾病（不包括肾结石、膀胱感染或尿失禁）；不良习惯

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。