# Анализ данных о сердечно-сосудистых заболеваниях

## Описание проекта

В данном проекте выполнен анализ данных о факторах риска сердечно-сосудистых заболеваний на основе датасета Heart Disease Dataset (cleveland1.csv).

Работа выполнена в JupyterLab в рамках практической работы №3 по анализу и визуализации данных.

---

## Цель работы

Освоить базовую работу с JupyterLab, библиотеками для анализа данных и визуализации, а также закрепить навыки ведения проекта с использованием Git.

---

## Используемые библиотеки

В проекте использовались следующие библиотеки:

- pandas  
- numpy 
- matplotlib 
- seaborn 
- tqdm 

---

## Что было сделано

В ходе работы были выполнены следующие действия:

1. **Загружен датасет** из CSV-файла `cleveland1.csv`
2. **Проведён первичный анализ данных:**
   - просмотр первых строк таблицы (`.head()`)
   - анализ структуры данных (`.info()`)
   - получение статистического описания (`.describe()`)
   - проверка пропущенных значений (`.isnull().sum()`)
3. **Выполнена подготовка данных:**
   - стандартизированы названия колонок
4. **Проведён анализ по группам:**
   - группировка по полу (gender)
   - группировка по наличию заболевания (target)
   - сравнение средних показателей
5. **Создан новый признак** `high_cholesterol_flag` для выделения случаев повышенного риска (холестерин > 240)
6. **Построены графики:**
   - boxplot распределения возраста у больных и здоровых
   - scatterplot взаимосвязи холестерина и пульса
   - гистограмма распределения возраста пациентов
   - boxplot уровня холестерина по полу
   - тепловая карта корреляций всех числовых признаков
7. **Использована библиотека tqdm** для отображения прогресса обработки данных
8. **Сохранены результаты** обработки в CSV-файл

---

## Результаты анализа

На основе проведённого анализа получены следующие выводы:

1. **Возраст** является значимым фактором риска — средний возраст больных пациентов выше, чем здоровых
2. **Холестерин** положительно коррелирует с наличием заболевания
3. **Максимальный пульс** у больных пациентов в среднем ниже
4. **Корреляционная матрица** показывает умеренную связь между возрастом и заболеванием

---

## Структура проекта

- praktika03/.venv/
- praktika03/.gitignore
- praktika03/README.md
- praktika03/week2_analysis.ipynb
- praktika03/cleveland1.csv
- praktika03/cleveland2.csv
- praktika03/Dataset Heart Disease.csv
- praktika03/heart_disease_results.csv


ввоооооооооооооооооооот
def run_length_encode(s: str) -> list:
    if not s:
        return []
    
    result = []
    current_char = s[0]
    count = 1
    
    for char in s[1:]:
        if char == current_char:
            count += 1
        else:
            result.append((current_char, count))
            current_char = char
            count = 1
    
    result.append((current_char, count))
    return result


# Тесты
assert run_length_encode("aaabbc") == [("a", 3), ("b", 2), ("c", 1)]
assert run_length_encode("abc") == [("a", 1), ("b", 1), ("c", 1)]
assert run_length_encode("") == []