在医疗决策中，医生往往依赖于个人经验和直觉，而非数据中蕴含的丰富知识，这可能导致错误和成本增加，影响医疗服务质量。通过使用分析工具和数据建模，可以帮助提升临床决策的质量。因此，本项目的目标是构建一个网页应用程序，以协助医生诊断心脏病。项目的完整代码可以在GitHub仓库中找到。
从UCI机器学习库收集了心脏病数据集。该数据集包含以下14个属性：
- 年龄：以年为单位的年龄。
- 性别：性别（1=男性；0=女性）。
- 胸痛类型：胸痛类型（0=典型心绞痛；1=非典型心绞痛；2=非心绞痛；3=无症状）。
- 静息血压：入院时的静息血压，单位为毫米汞柱。
- 血清胆固醇：血清胆固醇含量，单位为毫克/分升。
- 空腹血糖：空腹血糖是否超过120毫克/分升（1=是；0=否）。
- 静息心电图结果：静息心电图结果（0=正常；1=ST-T波异常；2=可能或确定的左心室肥大）。
- 最大心率：达到的最大心率。
- 运动诱发心绞痛：运动是否诱发心绞痛（1=是；0=否）。
- ST段压低：运动引起的ST段压低与静息时相比。
- 斜率：峰值运动ST段的斜率（0=上升；1=平坦；2=下降）。
- 主要血管数量：由荧光镜检查着色的0-3个主要血管。
- 地中海贫血：地中海贫血（3=正常；6=固定缺陷；7=可逆缺陷）。
- 目标：心脏病（1=无，2=有）。
数据准备与探索
以下是数据集的前五行。
import pandas as pd
df = pd.read_csv('heart.csv')
print(df.head())
通过上述Python代码，可以使用pandas库读取CSV文件，并打印出数据集的前五行。这有助于初步了解数据集的结构和内容。