はじめに

こんにちは、機械学習勉強中のあおじるです。
これまで、全国健康保険協会（協会けんぽ）の医療費データを使っていくつか記事を書きました。

今回は、別のデータとして健診のデータを使ってみました。

データの取得

全国健康保険協会（協会けんぽ）のホームページから健診データを取得します。
場所は、「統計情報」の「医療費分析」というページの中に年度ごとのデータがあります（年度によって資料の様式が違っていて探しにくいですが。）。

• 令和元年度～平成29年度（2019～2017年度）
  「1．都道府県医療費の状況」という資料のバックデータのエクセルファイルの中に年度ごとの集計があります。https://www.kyoukaikenpo.or.jp/g7/cat740/sb7210/sbb7211/bunseki1/

• 平成28年度～平成23年度（2016～2011年度）
  「3．都道府県医療費等の基礎データ」という資料のエクセルファイルの中に年度ごとの集計があります。https://www.kyoukaikenpo.or.jp/g7/cat740/sb7210/sbb7214/bunseki4/

データは、都道府県支部ごとに、男女別（男女計・男性・女性別）に
・メタボリックリスク保有率
・メタボリックリスク予備群の割合
・腹囲のリスク保有率
・血圧のリスク保有率
・脂質のリスク保有率
・代謝のリスク保有率
・喫煙者の割合
・ＢＭＩのリスク保有率
・中性脂肪のリスク保有率
・ＨＤＬコレステロールのリスク保有率
があります。各指標の定義は次のようになっています。

ただし、平成28～26年度の３年間分は「メタボリックリスク予備群の割合」が抜けているようです。
以下では、途中の年度に抜けのある「メタボリックリスク予備群の割合」を除く９個の指標を使います。

データの加工

エクセルファイルのデータを読み込んで、次の形に整理したものを使います。

年度、性、都道府県別の9指標

$$
\def\arraystretch{1.5}
\begin{array}{c:c:c|c:c:c:c:c:c:c}
\textsf{y} & \textsf{s} & \textsf{t} & \textsf{metabo} & \textsf{hukui} & \textsf{ketsuatsu} & \textsf{sisitsu} & \textsf{taisha} & \cdots &  \textsf{hdl} \\ \hline
2011 & 1 &  1 & {} & {} & {} & {} & {} & {} & {} \\
2011 & 1 &  2 & {} & {} & {} & {} & {} & {} & {} \\
\vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \\
2011 & 1 & 47 & {} & {} & {} & {} & {} & {} & {} \\
2011 & 2 &  1 & {} & {} & {} & {} & {} & {} & {} \\
\vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \\
2019 & 2 & 47 & {} & {} & {} & {} & {} & {} & {}
\end{array}
$$

・年度（y）は、2011～2019の9年度
・性（s）は、1：男性、2：女性の2区分（「男女計」は除く。）
・都道府県（t）は、1：北海道、・・・、47：沖縄の47区分（「全国平均」は除く。）
で、9×2×47＝846行、
指標は、
・metabo：① メタボリックリスク保有率
・hukui：③ 腹囲のリスク保有率
・ketsuatsu：④ 血圧のリスク保有率
・sisitsu：⑤ 脂質のリスク保有率
・taisha：⑥ 代謝のリスク保有率
・kitsuen：⑦ 喫煙者の割合
・bmi：⑧ BMIのリスク保有率
・chuseisibo：⑨ 脂質（中性脂肪）のリスク保有率
・hdl：⑩ 脂質（HDLコレステロール）のリスク保有率
の9指標のデータフレームになります。

import pandas as pd
df_yst_Kensin = pd.read_excel('./Data/健診結果.xlsx')
print(df_yst_Kensin.shape)
# (846, 12)
# 846=9*2*47
print(df_yst_Kensin.columns)
# Index(['y', 's', 't', 'metabo', 'hukui', 'ketsuatsu', 'sisitsu', 'taisha',
#        'kitsuen', 'bmi', 'chuseisibo', 'hdl'],
#       dtype='object')

性別を列方向に移して、年度×都道府県ごとのデータに変形します。

var_names = list(df_yst_Kensin .columns)[3:]
print(var_names)
# ['metabo', 'hukui', 'ketsuatsu', 'sisitsu', 'taisha', 'kitsuen', 'bmi', 'chuseisibo', 'hdl']

df_yt_Kensin_s = df_yst_Kensin.pivot(index=['y','t'], columns=['s'], values=var_names)
print(df_yt_Kensin_s.shape)
# (423, 18)
# 423=9*47
col_names = []
for v in var_names:
  for s in [1,2]:
    col_names.append(v+'_'+str(s))
df_yt_Kensin_s = df_yt_Kensin_s.set_axis(col_names, axis='columns')
df_yt_Kensin_s = df_yt_Kensin_s.reset_index()
print(df_yt_Kensin_s.shape)
# (423, 20)
print(df_yt_Kensin_s.columns)
# Index(['y', 't', 'metabo_1', 'metabo_2', 'metabo_3', 'hukui_1', 'hukui_2',
#        'hukui_3', 'ketsuatsu_1', 'ketsuatsu_2', 'ketsuatsu_3', 'sisitsu_1',
#        'sisitsu_2', 'sisitsu_3', 'taisha_1', 'taisha_2', 'taisha_3',
#        'kitsuen_1', 'kitsuen_2', 'kitsuen_3', 'bmi_1', 'bmi_2', 'bmi_3',
#        'chuseisibo_1', 'chuseisibo_2', 'chuseisibo_3', 'hdl_1', 'hdl_2',
#        'hdl_3'],
#       dtype='object')
print(df_yt_Kensin_s)
df_yt_Kensin_s.to_csv('./Data/df_yt_Kensin_s.csv', index=None)

これで、423行（9年度×47都道府県）×18列（9指標×2性別）のデータができました。

次元削減

医療費データの次元削減の記事と同様に、PCAとUMAPで次元削減します。

# 数値部分のみ取り出し
df = df_yt_Kensin_s.copy()
X = df.iloc[:,2:]
print(X.shape)
# (423, 18)
# 423=9*47

# スケーリング
from sklearn import preprocessing
scaler = preprocessing.MinMaxScaler()
X = scaler.fit_transform(X)
print(X.shape)
# (423, 18)

結果は、以前の記事と同じ色分けをします。

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
# 年度y
label_y = le.fit_transform(df['y'])
cp = sns.color_palette("hls", n_colors=9+1)
color_y = [cp[x] for x in label_y]
# 都道府県t
label_t = le.fit_transform(df['t'])
cp = sns.color_palette("hls", n_colors=47+1)
color_t = [cp[x] for x in label_t]

PCA

from sklearn.decomposition import PCA
pca = PCA()
PC = pca.fit_transform(X)
print(PC.shape)
# (423, 18)

PC1×PC2では、47沖縄がかなり離れたところにあります。
PC1×PC3では、左下から右上に向かって各都道府県が動いている感じです。

UMAP

! pip install umap-learn
import umap.umap_ as umap

list_n_neighbors = [2,3,4,5,10,15,20,30,40,50,60,70,80,90,100,150,200,300,400]

for n_neighbors in list_n_neighbors:
  reducer = umap.UMAP(n_components=2, n_neighbors=n_neighbors, random_state=0)
  reducer.fit(X)
  embedding = reducer.transform(X)
  print(embedding.shape) # (423, 2)

地域性が何となく見えるような気もしますが、医療費データと違って年齢の要素がないためか、あまりきれいな結果にはなっていません。

おわりに

今回は、次元削減のPCAとUMAPの手法を使って、18次元の健診データを2次元に圧縮してみました。
今回使用した健診データは医療費データと違って年齢の要素がなかったためか、あまりきれいな結果にはなりませんでした。

最後まで読んでいただき、ありがとうございました。
お気づきの点等ありましたら、コメントいただけますと幸いです。

#健診 , #医療費分析 , #地域差 , #地域間格差 , #PCA , #UMAP , #機械学習 , #Python , #協会けんぽ , #noteで数式