First commit

corazao_con_block_y_theme.py

@@ -0,0 +1,692 @@
+# <h1 align="center">Heart Attack - EDA</h1>
+
+# 1. [Introducción](#1) <a id=18></a>
+#     - 1.1 [Diccionario de datos](#2)
+#     - 1.2 [Tarea](#3)
+# 2. [Preparación](#4)
+#     - 2.1 [Librerías](#5)
+#     - 2.2 [Datos](#6)
+#     - 2.3 [Entendimiento de los datos](#7)
+# 3. [Análisis Exploratorio de Datos](#8)
+#     - 3.1 [Análisis univariado](#9)
+#     - 3.2 [Análisis bivariado](#10)
+# 4. [Preprocesamiento de los datos](#11)
+#     - 4.1 [Conclusiones del EDA](#12)
+#     - 4.2 [Librerías](#13)
+#     - 4.3 [Preparando las características para el modelo](#14)
+# 5. [Modelado](#15)
+#     - 5.1 [Clasificadores lineales](#16)
+#     - 5.2 [Modelos de árbol](#17)
+
+# ### 1. Introducción <a id=1></a>
+# [Volver al inicio](#18)
+
+# #### 1.1 Diccionario de datos <a id=2></a>
+# `age` - Edad
+# 
+# `sex` - Sexo del paciente
+# 
+# `cp` - Tipo de dolor torácico ~ 0 = Angina típica, 1 = Angina atípica, 2 = Dolor no anginal, 3 = Asintomático
+# 
+# `trtbps` - Presión arterial en reposo (en mm Hg)
+# 
+# `chol` - Colesterol en mg/dl obtenido a través del sensor de IMC
+# 
+# `fbs` - (azúcar en sangre en ayunas > 120 mg/dl) ~ 1 = Verdadero, 0 = Falso
+# 
+# `restecg` - Resultados electrocardiográficos en reposo ~ 0 = Normal, 1 = Normalidad de la onda ST-T, 2 = Hipertrofia ventricular izquierda
+# 
+# `thalachh`  - Ritmo cardíaco máximo alcanzado
+# 
+# `oldpeak` - Pico anterior
+# 
+# `slp` - Inclinación
+# 
+# `caa` - Número de vasos principales
+# 
+# `thall` - Resultado de la prueba de esfuerzo con talio ~ (0,3)
+# 
+# `exng` - Angina inducida por ejercicio ~ 1 = Sí, 0 = No
+# 
+# `output` - Variable objetivo
+
+# #### 1.2 Tarea <a id=3></a>
+# Realizar un análisis exploratorio de datos y predecir si una persona es propensa a sufrir un ataque al corazón o no.
+
+# ### 2. Preparación <a id=4></a>
+# [Volver al inicio](#18)
+
+# #### 2.1 Librerías <a id=5></a>
+
+# ##### 3.1.1 Histogramas de características categóricas
+
+# In[1]:
+
+
+# Importacion de librerias
+
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+import warnings
+warnings.filterwarnings("ignore")
+
+
+# #### 2.2 Datos <a id=6></a>
+
+# In[2]:
+
+
+df = pd.read_csv("heart.csv")
+
+
+# #### 2.3 Entendimiento de los Datos <a id=7></a>
+
+# ##### 2.3.1 El tamaño del dataframe
+
+# In[3]:
+
+
+print("El tamaño del dataframe es de: ", df.shape)
+
+
+# ##### 2.3.2 Vista previa de las primeras 5 filas de los datos
+
+# In[4]:
+
+
+df.head()
+
+
+# ##### 2.3.3 Verificar el numero de valores unicos que se encuentran en cada columna
+
+# In[5]:
+
+
+dict = {}
+for i in list(df.columns):
+    dict[i] = df[i].value_counts().shape[0]
+
+pd.DataFrame(dict,index=["unique count"]).transpose()
+
+
+# ##### 2.3.4 Separando las columnas en categoricas y continuas
+
+# In[6]:
+
+
+cat_cols = ['sex','exng','caa','cp','fbs','restecg','slp','thall']
+con_cols = ["age","trtbps","chol","thalachh","oldpeak"]
+target_col = ["output"]
+print("Columnas categóricas: ", cat_cols)
+print("Columnas continuas: ", con_cols)
+print("Variable dependiente: ", target_col)
+
+
+# ##### 2.3.5 Resumen de estadísticas
+
+# In[7]:
+
+
+df[con_cols].describe().transpose()
+
+
+# ##### 2.3.6 Valores perdidos
+
+# ### 4. Preprocesamiento de los datos <a id=11></a>
+# [Volver al inicio](#18)
+
+# #### 4.1 Conclusiones del EDA <a id=12></a>
+# 
+# 1. No hay valores NaN en los datos.
+# 2. Hay ciertos valores atípicos (outliers) en todas las variables continuas.
+# 3. Los datos consisten en más del doble de personas con sexo = 1 que con sexo = 0.
+# 4. No hay una correlación lineal aparente entre las variables continuas según el mapa de calor.
+# 5. La matriz de gráficos de dispersión sugiere que puede haber alguna correlación entre output y cp, thalachh y slp.
+# 6. Es intuitivo pensar que las personas mayores podrían tener más probabilidades de sufrir un ataque cardíaco, pero según el gráfico de distribución de edad en relación a output, queda claro que este no es el caso.
+# 7. Según el gráfico de distribución de thalachh en relación a output, las personas con mayor frecuencia cardíaca máxima alcanzada tienen más probabilidades de sufrir un ataque cardíaco.
+# 8. Según el gráfico de distribución de oldpeak en relación a output, las personas con un pico anterior más bajo tienen más probabilidades de sufrir un ataque cardíaco.
+# 9. El gráfico 3.2.4 indica lo siguiente:
+#     - Las personas con dolor de pecho no anginoso, es decir, con cp = 2, tienen más probabilidades de sufrir un ataque cardíaco.
+#     - Las personas sin vasos principales, es decir, con caa = 0, tienen una alta probabilidad de sufrir un ataque cardíaco.
+#     - Las personas con sexo = 1 tienen una mayor probabilidad de sufrir un ataque cardíaco.
+#     - Las personas con thall = 2 tienen muchas más probabilidades de sufrir un ataque cardíaco.
+#     - Las personas sin angina inducida por el ejercicio, es decir, con exng = 0, tienen más probabilidades de sufrir un ataque cardíaco.
+
+# #### 4.2 Librerias <a id=13></a>
+
+# In[8]:
+
+
+# Escalamiento
+from sklearn.preprocessing import RobustScaler
+
+# Train Test Split
+from sklearn.model_selection import train_test_split
+
+# Modelos
+import torch
+import torch.nn as nn
+from sklearn.svm import SVC
+from sklearn.linear_model import LogisticRegression
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.ensemble import GradientBoostingClassifier
+
+# Metricas
+from sklearn.metrics import accuracy_score, classification_report, roc_curve
+
+# Cross Validation
+from sklearn.model_selection import cross_val_score
+from sklearn.model_selection import GridSearchCV
+
+print('Packages imported...')
+
+
+# 
+# #### 4.3 Preparando las características para el modelo <a id=14></a>
+
+# ##### 4.3.1 Escalado y codificación de características
+
+# In[9]:
+
+
+# Creación de una copia del df
+df1 = df
+
+# Seleccion de las columnas a ser escaladas y codificadas
+cat_cols = ['sex','exng','caa','cp','fbs','restecg','slp','thall']
+con_cols = ["age","trtbps","chol","thalachh","oldpeak"]
+
+# Codificando las columnas categoricas
+df1 = pd.get_dummies(df1, columns = cat_cols, drop_first = True)
+
+# Definiendo los atributos independientes y el atributo dependiente
+X = df1.drop(['output'],axis=1)
+y = df1[['output']]
+
+# Instanciando el escalador
+scaler = RobustScaler()
+
+# Escalando los atributos continuos
+X[con_cols] = scaler.fit_transform(X[con_cols])
+print("Las primeras 5 filas de X")
+X.head()
+
+
+# ##### 4.3.2 División de los datos de entrenamiento y prueba
+
+# In[10]:
+
+
+X_train, X_test, y_train, y_test = train_test_split(X,y, test_size = 0.2, random_state = 42)
+print("El tamaño de X_train es      ", X_train.shape)
+print("El tamaño de X_test es        ",X_test.shape)
+print("El tamaño de y_train es       ",y_train.shape)
+print("El tamaño de y_test es        ",y_test.shape)
+
+
+# ### 5. Modelado <a id=15></a>
+# [Volver al inicio](#18)
+
+# #### 5.1 Clasificadores lineales <a id=16></a>
+
+# ##### 5.1.3 Regresión Logística
+
+# In[11]:
+
+
+# Instanciamiento del objeto
+logreg = LogisticRegression()
+
+# Ajustando el objeto
+logreg.fit(X_train, y_train)
+
+# Calculo de probabilidades
+y_pred_proba = logreg.predict_proba(X_test)
+
+# Encontrando los valores predichos
+y_pred = np.argmax(y_pred_proba,axis=1)
+
+# Impresión de la prueba de precisión
+print("El puntaje de precisión en la prueba de Regresión Logística es ", accuracy_score(y_test, y_pred))
+
+
+# # GRADIO
+
+# In[12]:
+
+
+get_ipython().system('pip install -q gradio')
+
+
+# In[13]:
+
+
+#Importamos gradio
+import gradio as gr
+
+
+# In[ ]:
+
+
+
+
+
+# In[14]:
+
+
+# Creamos la función con la que generaremos predicciones mediante el llenado de los
+# valores de las variables
+def diagnosticar(age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall):
+  
+  paciente_info = {
+     'age'       :   [age],    
+     'sex'       :   [sex],    
+     'cp'        :   [cp],    
+     'trtbps'    :   [trtbps],  
+     'chol'      :   [chol],  
+     'fbs'       :   [fbs],    
+     'restecg'   :   [restecg],    
+     'thalachh'  :   [thalachh],  
+     'exng'      :   [exng],  
+     'oldpeak'   :   [oldpeak],  
+     'slp'       :   [slp],    
+     'caa'       :   [caa],    
+     'thall'     :   [thall]    
+  }
+
+  paciente = pd.DataFrame(paciente_info)
+
+  # Codificando las columnas categoricas
+  paciente_dummy = pd.get_dummies(paciente, columns = cat_cols, drop_first = True)
+
+  # Definiendo los atributos independientes y el atributo dependiente
+  all_cols = set(X_train.columns)
+
+  missing_cols = all_cols - set(paciente_dummy.columns)
+  for col in missing_cols:
+    paciente_dummy[col] = 0
+
+  paciente_dummy = paciente_dummy[X_train.columns]
+
+  paciente[con_cols] = scaler.transform(paciente[con_cols])
+
+
+  # Haciendo predicciones en nuevos datos
+  prediccion = logreg.predict(paciente_dummy)
+
+  #crear graficas para comparar el paciente con la media o el resto del dataset
+
+  if prediccion == 0:
+    return "No se presenta riesgo de un infarto"
+  else:
+    return "Existe riesgo de infarto\nPor favor visite a un medico"
+
+
+
+
+
+
+
+# ### Creamos la lista de campos de entrada para la interface
+
+# In[15]:
+
+
+# Lista de entradas de datos
+inputs_list =[
+    gr.Textbox(label="Edad",placeholder="Ingrese su edad en años."),
+
+gr.Dropdown(label="Sexo",
+            choices=["0","1"],
+            info="Mujer (0)\nHombre (1)",
+            placeholder="Seleccione la opción correspondiente."),
+
+gr.Dropdown(label="Tipo de dolor toracico",
+            info="0 = Angina típica\n1 = Angina atípica\n2 = Dolor no anginal\n3 = Asintomático",
+            choices=["0","1","2","3"],
+            placeholder="Seleccione la opción correspondiente."),
+
+gr.Textbox(label="Presión arterial en reposo",
+           info="(en mm Hg)",
+           placeholder="Ingrese su presión arterial."),
+
+gr.Textbox(label="Colesterol",
+           info="(en mg/dl obtenido a través del sensor de IMC)",
+           placeholder="Ingrese su nivel de colesterol."),
+
+gr.Dropdown(label="Azúcar en sangre en ayunas",
+            info = "¿Es mayor a 120 mg/dl?\nSi (1) No (0)",
+            choices =["0","1"],
+            placeholder="Seleccione la opción correspondiente."),
+
+gr.Dropdown(label="Resultados electrocardiográficos en reposo",
+            choices=["0","1","2"],
+            info="0 = Normal\n1 = Normalidad de la onda ST-T\n2 = Hipertrofia ventricular izquierda",
+            placeholder="Seleccione la opción correspondiente."),
+
+gr.Textbox(label="Ritmo cardíaco máximo alcanzado",
+           placeholder="Ingrese su ritmo cardíaco."),
+
+gr.Dropdown(label="Angina inducida por ejercicio",
+            choices=["0","1"],
+            info= "Si (1)\nNo (0)",
+            placeholder="Seleccione la opción correspondiente."),
+
+gr.Textbox(label ="Depresión ST(Old Peak)",
+           info="Inducida por el ejercicio en relación al reposo.",
+           placeholder="Ingrese el valor correspondiente."),
+
+gr.Textbox(label="Pendiente del segmento ST",
+           #info="El segmento ST normalmente debe ser horizontal o ligeramente\nascendente desde la línea de base, y cualquier desviación puede\nindicar una lesión o isquemia cardíaca. La pendiente del segmento\nST se mide en grados, y se utiliza como un indicador de la\npresencia y la gravedad de la isquemia."
+           info="-- Valor 1: ascendente\n-- Valor 2: horizontal\n-- Valor 3: descendente",
+           placeholder="Ingrese el valor en el pico del ejercicio."),
+
+gr.Dropdown(label="Número de vasos principales",
+            info="Valor obtenido en Fluoroscopia ",
+            choices=["0","1","2","3"],
+            placeholder="Seleccione la opción correspondiente."),
+
+gr.Dropdown(label="Resultado de la prueba de esfuerzo con talio",
+            info="1 = normal.\n2 = defecto fijo.\n3 = defecto reversible.",
+            choices=["1","2","3"],
+            placeholder="Seleccione la opción correspondiente.")]
+
+
+# ### Creación de block, en vez de interface
+
+# In[16]:
+
+
+#import gradio as gr
+# Creamos la función con la que generaremos predicciones mediante el llenado de los
+# valores de las variables
+def diagnosticar(age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall):
+  
+  paciente_info = {
+     'age'       :   [age],    
+     'sex'       :   [sex],    
+     'cp'        :   [cp],    
+     'trtbps'    :   [trtbps],  
+     'chol'      :   [chol],  
+     'fbs'       :   [fbs],    
+     'restecg'   :   [restecg],    
+     'thalachh'  :   [thalachh],  
+     'exng'      :   [exng],  
+     'oldpeak'   :   [oldpeak],  
+     'slp'       :   [slp],    
+     'caa'       :   [caa],    
+     'thall'     :   [thall]    
+  }
+
+  paciente = pd.DataFrame(paciente_info)
+
+  # Codificando las columnas categoricas
+  paciente_dummy = pd.get_dummies(paciente, columns = cat_cols, drop_first = True)
+
+  # Definiendo los atributos independientes y el atributo dependiente
+  all_cols = set(X_train.columns)
+
+  missing_cols = all_cols - set(paciente_dummy.columns)
+  for col in missing_cols:
+    paciente_dummy[col] = 0
+
+  paciente_dummy = paciente_dummy[X_train.columns]
+
+  paciente[con_cols] = scaler.transform(paciente[con_cols])
+
+
+  # Haciendo predicciones en nuevos datos
+  prediccion = logreg.predict(paciente_dummy)
+
+  #crear graficas para comparar el paciente con la media o el resto del dataset
+  #
+  #
+  #
+
+
+  if prediccion == 0:
+    return "No se presenta riesgo de un infarto"
+  else:
+    return "Existe riesgo de infarto\nPor favor visite a un medico"
+
+
+# In[17]:
+
+
+# creación de tema a medida
+custom_theme = gr.themes.Soft(
+  primary_hue="teal",
+  secondary_hue="cyan",
+  neutral_hue="zinc"
+  ).set(
+    body_background_fill='*stat_background_fill',
+    body_background_fill_dark='*neutral_800',
+    body_text_color_subdued='*primary_100',
+    body_text_weight='500',
+    background_fill_primary_dark='*neutral_700',
+    background_fill_secondary_dark='*background_fill_primary',
+    border_color_accent='*primary_600',
+    border_color_accent_dark='*neutral_950',
+    color_accent='*neutral_800',
+    color_accent_soft_dark='*body_text_color_subdued',
+    link_text_color='*neutral_800',
+    link_text_color_dark='*border_color_primary',
+    prose_text_weight='500',
+    prose_header_text_weight='400',
+    block_background_fill='*neutral_700',
+    block_border_color_dark='*neutral_950',
+    block_border_width_dark='1 px',
+    block_info_text_size='*text_md',
+    block_label_background_fill_dark='*primary_800',
+    checkbox_background_color='*neutral_200',
+    checkbox_background_color_dark='*neutral_950',
+    checkbox_background_color_focus_dark='*neutral_800',
+    checkbox_border_color='*neutral_300',
+    checkbox_border_color_dark='*neutral_800'
+)
+
+
+# In[18]:
+
+
+theme = gr.themes.Soft(
+    primary_hue="red",
+    secondary_hue="orange",
+    neutral_hue="zinc"
+).set(body_background_fill='*stat_background_fill',
+    body_background_fill_dark='*neutral_800',
+    body_text_color_subdued='*primary_100',
+    body_text_weight='500',
+    background_fill_primary_dark='*neutral_700',
+    background_fill_secondary_dark='*background_fill_primary',
+    border_color_accent='*primary_600',
+    border_color_accent_dark='*neutral_950',
+    color_accent='*neutral_800',
+    color_accent_soft_dark='*body_text_color_subdued',
+    link_text_color='*neutral_800',
+    link_text_color_dark='*border_color_primary',
+    prose_text_weight='500',
+    prose_header_text_weight='400',
+    block_background_fill='*neutral_700',
+    block_border_color_dark='*neutral_950',
+    block_border_width_dark='1 px',
+    block_info_text_size='*text_md',
+    block_label_background_fill_dark='*primary_800',
+    checkbox_background_color='*neutral_200',
+    checkbox_background_color_dark='*neutral_950',
+    checkbox_background_color_focus_dark='*neutral_800',
+    checkbox_border_color='*neutral_300',
+    checkbox_border_color_dark='*neutral_800')
+
+
+# In[19]:
+
+
+# Creación de block
+with gr.Blocks(title="Predicción de riesgo de un IAM", theme = theme) as modelo:
+  gr.Markdown(
+        """
+    # Predicción de riesgo de un IAM
+    Modelo de Regresión Lineal para identificar la existencia de riesgo de un ataque al corazón (IAM).
+    """
+    )
+  with gr.Row():
+    with gr.Column():
+      age   = gr.Textbox(label="Edad",placeholder="Ingrese su edad en años.")
+  with gr.Row():
+      sex   = gr.Dropdown(label="Sexo",
+            choices=["0","1"],
+            info="Mujer (0)\nHombre (1)",
+            placeholder="Seleccione la opción correspondiente.")
+  with gr.Row():
+      cp    = gr.Dropdown(label="Tipo de dolor toracico",
+            info="0 = Angina típica\n1 = Angina atípica\n2 = Dolor no anginal\n3 = Asintomático",
+            choices=["0","1","2","3"],
+            placeholder="Seleccione la opción correspondiente.")
+  with gr.Row():
+      trtbps    = gr.Textbox(label="Presión arterial en reposo",
+           info="(en mm Hg)",
+           placeholder="Ingrese su presión arterial.")
+  with gr.Row():
+      chol    = gr.Textbox(label="Colesterol",
+           info="(en mg/dl obtenido a través del sensor de IMC)",
+           placeholder="Ingrese su nivel de colesterol.")
+  with gr.Row():
+      fbs   = gr.Dropdown(label="Azúcar en sangre en ayunas",
+            info = "¿Es mayor a 120 mg/dl?\nSi (1) No (0)",
+            choices =["0","1"],
+            placeholder="Seleccione la opción correspondiente.")
+  with gr.Row():
+      restecg   = gr.Dropdown(label="Resultados electrocardiográficos en reposo",
+            choices=["0","1","2"],
+            info="0 = Normal\n1 = Normalidad de la onda ST-T\n2 = Hipertrofia ventricular izquierda",
+            placeholder="Seleccione la opción correspondiente.")
+  with gr.Row():
+      thalachh    = gr.Textbox(label="Ritmo cardíaco máximo alcanzado",
+           placeholder="Ingrese su ritmo cardíaco.")
+  with gr.Row():
+      exng    = gr.Dropdown(label="Angina inducida por ejercicio",
+            choices=["0","1"],
+            info= "Si (1)\nNo (0)",
+            placeholder="Seleccione la opción correspondiente.")
+  with gr.Row():
+      oldpeak   = gr.Textbox(label ="Depresión ST(Old Peak)",
+           info="Inducida por el ejercicio en relación al reposo.",
+           placeholder="Ingrese el valor correspondiente.")
+  with gr.Row():
+      slp   = gr.Textbox(label="Pendiente del segmento ST",
+           info="-- Valor 1: ascendente\n-- Valor 2: horizontal\n-- Valor 3: descendente",
+           placeholder="Ingrese el valor en el pico del ejercicio.")
+  with gr.Row():
+      caa   = gr.Dropdown(label="Número de vasos principales",
+            info="Valor obtenido en Fluoroscopia ",
+            choices=["0","1","2","3"],
+            placeholder="Seleccione la opción correspondiente.")
+  with gr.Row():
+      thall = gr.Dropdown(label="Resultado de la prueba de esfuerzo con talio",
+            info="1 = normal.\n2 = defecto fijo.\n3 = defecto reversible.",
+            choices=["1","2","3"],
+            placeholder="Seleccione la opción correspondiente.")
+  with gr.Row():
+      prediction_btn = gr.Button(value = "Generar")
+  with gr.Row():
+    prediction = gr.Textbox(label=("Resultado"))
+
+  prediction_btn.click(diagnosticar, 
+                       inputs = [age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall], 
+                       outputs = prediction,
+                       api_name = "prediccion-riesgo-iam")
+  examples = gr.Examples(label="Ejemplos",  examples=[
+      [64, 1, 0, 120, 246, 0, 0, 96, 1, 2.2, 0, 1, 2], # riesgo inexistente
+      [43,0,0,132,341,1,0,136,1,3,1,0,3,0], # riesgo inexistente
+      [50,0,2,120,219,0,1,158,0,1.6,1,0,2,1], # hay riesgo
+      [37,1,2,130,250,0,1,187,0,3.5,0,0,2]# hay riesgo
+      ], inputs=[age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall])
+
+
+# In[20]:
+
+
+#modelo.theme = custom_theme
+
+
+# In[21]:
+
+
+modelo.launch(share = True, debug=True)
+
+
+# ### Uso de interfaz y no de block
+
+# In[ ]:
+
+
+# creamos la instancia de la interfaz
+iface = gr.Interface(fn = diagnosticar, inputs = inputs_list, outputs=["text"], examples=[
+    [64, 1, 0, 120, 246, 0, 0, 96, 1, 2.2, 0, 1, 2], # riesgo inexistente
+    [43,0,0,132,341,1,0,136,1,3,1,0,3,0], # riesgo inexistente
+    [50,0,2,120,219,0,1,158,0,1.6,1,0,2,1], # hay riesgo
+    [37,1,2,130,250,0,1,187,0,3.5,0,0,2],# hay riesgo
+    ],
+    theme=gr.themes.Soft(),
+    description="Modelo de Regresión Lineal para identificar la existencia de riesgo de un ataque al corazón (IAM)"
+)
+
+
+# In[ ]:
+
+
+# inicializamos la interfaz
+iface.launch(share=True, debug=True)
+
+
+# ## Codigo para predicciones individuales
+
+# In[ ]:
+
+
+# Creamos el registro de un nuevo paciente
+paciente_info = {
+     'age'       :   [64],    
+     'sex'       :   [1],    
+     'cp'        :   [0],    
+     'trtbps'    :   [120],  
+     'chol'      :   [246],  
+     'fbs'       :   [0],    
+     'restecg'   :   [0],    
+     'thalachh'  :   [96],  
+     'exng'      :   [1],  
+     'oldpeak'   :   [2.2],  
+     'slp'       :   [0],    
+     'caa'       :   [1],    
+     'thall'     :   [2],    
+}
+
+paciente = pd.DataFrame(paciente_info)
+
+# Codificando las columnas categoricas
+paciente_dummy = pd.get_dummies(paciente, columns = cat_cols, drop_first = True)
+
+# Definiendo los atributos independientes y el atributo dependiente
+all_cols = set(X_train.columns)
+
+missing_cols = all_cols - set(paciente_dummy.columns)
+for col in missing_cols:
+  paciente_dummy[col] = 0
+
+paciente_dummy = paciente_dummy[X_train.columns]
+
+paciente[con_cols] = scaler.transform(paciente[con_cols])
+
+
+# Haciendo predicciones en nuevos datos
+y_new_pred = logreg.predict(paciente_dummy)
+if y_new_pred == 0:
+  print("No se presenta riesgo de un infarto")
+else:
+  print("Existe riesgo de infarto\nPor favor visite a un medico")
+

heart.csv

@@ -0,0 +1,304 @@
+age,sex,cp,trtbps,chol,fbs,restecg,thalachh,exng,oldpeak,slp,caa,thall,output
+63,1,3,145,233,1,0,150,0,2.3,0,0,1,1
+37,1,2,130,250,0,1,187,0,3.5,0,0,2,1
+41,0,1,130,204,0,0,172,0,1.4,2,0,2,1
+56,1,1,120,236,0,1,178,0,0.8,2,0,2,1
+57,0,0,120,354,0,1,163,1,0.6,2,0,2,1
+57,1,0,140,192,0,1,148,0,0.4,1,0,1,1
+56,0,1,140,294,0,0,153,0,1.3,1,0,2,1
+44,1,1,120,263,0,1,173,0,0,2,0,3,1
+52,1,2,172,199,1,1,162,0,0.5,2,0,3,1
+57,1,2,150,168,0,1,174,0,1.6,2,0,2,1
+54,1,0,140,239,0,1,160,0,1.2,2,0,2,1
+48,0,2,130,275,0,1,139,0,0.2,2,0,2,1
+49,1,1,130,266,0,1,171,0,0.6,2,0,2,1
+64,1,3,110,211,0,0,144,1,1.8,1,0,2,1
+58,0,3,150,283,1,0,162,0,1,2,0,2,1
+50,0,2,120,219,0,1,158,0,1.6,1,0,2,1
+58,0,2,120,340,0,1,172,0,0,2,0,2,1
+66,0,3,150,226,0,1,114,0,2.6,0,0,2,1
+43,1,0,150,247,0,1,171,0,1.5,2,0,2,1
+69,0,3,140,239,0,1,151,0,1.8,2,2,2,1
+59,1,0,135,234,0,1,161,0,0.5,1,0,3,1
+44,1,2,130,233,0,1,179,1,0.4,2,0,2,1
+42,1,0,140,226,0,1,178,0,0,2,0,2,1
+61,1,2,150,243,1,1,137,1,1,1,0,2,1
+40,1,3,140,199,0,1,178,1,1.4,2,0,3,1
+71,0,1,160,302,0,1,162,0,0.4,2,2,2,1
+59,1,2,150,212,1,1,157,0,1.6,2,0,2,1
+51,1,2,110,175,0,1,123,0,0.6,2,0,2,1
+65,0,2,140,417,1,0,157,0,0.8,2,1,2,1
+53,1,2,130,197,1,0,152,0,1.2,0,0,2,1
+41,0,1,105,198,0,1,168,0,0,2,1,2,1
+65,1,0,120,177,0,1,140,0,0.4,2,0,3,1
+44,1,1,130,219,0,0,188,0,0,2,0,2,1
+54,1,2,125,273,0,0,152,0,0.5,0,1,2,1
+51,1,3,125,213,0,0,125,1,1.4,2,1,2,1
+46,0,2,142,177,0,0,160,1,1.4,0,0,2,1
+54,0,2,135,304,1,1,170,0,0,2,0,2,1
+54,1,2,150,232,0,0,165,0,1.6,2,0,3,1
+65,0,2,155,269,0,1,148,0,0.8,2,0,2,1
+65,0,2,160,360,0,0,151,0,0.8,2,0,2,1
+51,0,2,140,308,0,0,142,0,1.5,2,1,2,1
+48,1,1,130,245,0,0,180,0,0.2,1,0,2,1
+45,1,0,104,208,0,0,148,1,3,1,0,2,1
+53,0,0,130,264,0,0,143,0,0.4,1,0,2,1
+39,1,2,140,321,0,0,182,0,0,2,0,2,1
+52,1,1,120,325,0,1,172,0,0.2,2,0,2,1
+44,1,2,140,235,0,0,180,0,0,2,0,2,1
+47,1,2,138,257,0,0,156,0,0,2,0,2,1
+53,0,2,128,216,0,0,115,0,0,2,0,0,1
+53,0,0,138,234,0,0,160,0,0,2,0,2,1
+51,0,2,130,256,0,0,149,0,0.5,2,0,2,1
+66,1,0,120,302,0,0,151,0,0.4,1,0,2,1
+62,1,2,130,231,0,1,146,0,1.8,1,3,3,1
+44,0,2,108,141,0,1,175,0,0.6,1,0,2,1
+63,0,2,135,252,0,0,172,0,0,2,0,2,1
+52,1,1,134,201,0,1,158,0,0.8,2,1,2,1
+48,1,0,122,222,0,0,186,0,0,2,0,2,1
+45,1,0,115,260,0,0,185,0,0,2,0,2,1
+34,1,3,118,182,0,0,174,0,0,2,0,2,1
+57,0,0,128,303,0,0,159,0,0,2,1,2,1
+71,0,2,110,265,1,0,130,0,0,2,1,2,1
+54,1,1,108,309,0,1,156,0,0,2,0,3,1
+52,1,3,118,186,0,0,190,0,0,1,0,1,1
+41,1,1,135,203,0,1,132,0,0,1,0,1,1
+58,1,2,140,211,1,0,165,0,0,2,0,2,1
+35,0,0,138,183,0,1,182,0,1.4,2,0,2,1
+51,1,2,100,222,0,1,143,1,1.2,1,0,2,1
+45,0,1,130,234,0,0,175,0,0.6,1,0,2,1
+44,1,1,120,220,0,1,170,0,0,2,0,2,1
+62,0,0,124,209,0,1,163,0,0,2,0,2,1
+54,1,2,120,258,0,0,147,0,0.4,1,0,3,1
+51,1,2,94,227,0,1,154,1,0,2,1,3,1
+29,1,1,130,204,0,0,202,0,0,2,0,2,1
+51,1,0,140,261,0,0,186,1,0,2,0,2,1
+43,0,2,122,213,0,1,165,0,0.2,1,0,2,1
+55,0,1,135,250,0,0,161,0,1.4,1,0,2,1
+51,1,2,125,245,1,0,166,0,2.4,1,0,2,1
+59,1,1,140,221,0,1,164,1,0,2,0,2,1
+52,1,1,128,205,1,1,184,0,0,2,0,2,1
+58,1,2,105,240,0,0,154,1,0.6,1,0,3,1
+41,1,2,112,250,0,1,179,0,0,2,0,2,1
+45,1,1,128,308,0,0,170,0,0,2,0,2,1
+60,0,2,102,318,0,1,160,0,0,2,1,2,1
+52,1,3,152,298,1,1,178,0,1.2,1,0,3,1
+42,0,0,102,265,0,0,122,0,0.6,1,0,2,1
+67,0,2,115,564,0,0,160,0,1.6,1,0,3,1
+68,1,2,118,277,0,1,151,0,1,2,1,3,1
+46,1,1,101,197,1,1,156,0,0,2,0,3,1
+54,0,2,110,214,0,1,158,0,1.6,1,0,2,1
+58,0,0,100,248,0,0,122,0,1,1,0,2,1
+48,1,2,124,255,1,1,175,0,0,2,2,2,1
+57,1,0,132,207,0,1,168,1,0,2,0,3,1
+52,1,2,138,223,0,1,169,0,0,2,4,2,1
+54,0,1,132,288,1,0,159,1,0,2,1,2,1
+45,0,1,112,160,0,1,138,0,0,1,0,2,1
+53,1,0,142,226,0,0,111,1,0,2,0,3,1
+62,0,0,140,394,0,0,157,0,1.2,1,0,2,1
+52,1,0,108,233,1,1,147,0,0.1,2,3,3,1
+43,1,2,130,315,0,1,162,0,1.9,2,1,2,1
+53,1,2,130,246,1,0,173,0,0,2,3,2,1
+42,1,3,148,244,0,0,178,0,0.8,2,2,2,1
+59,1,3,178,270,0,0,145,0,4.2,0,0,3,1
+63,0,1,140,195,0,1,179,0,0,2,2,2,1
+42,1,2,120,240,1,1,194,0,0.8,0,0,3,1
+50,1,2,129,196,0,1,163,0,0,2,0,2,1
+68,0,2,120,211,0,0,115,0,1.5,1,0,2,1
+69,1,3,160,234,1,0,131,0,0.1,1,1,2,1
+45,0,0,138,236,0,0,152,1,0.2,1,0,2,1
+50,0,1,120,244,0,1,162,0,1.1,2,0,2,1
+50,0,0,110,254,0,0,159,0,0,2,0,2,1
+64,0,0,180,325,0,1,154,1,0,2,0,2,1
+57,1,2,150,126,1,1,173,0,0.2,2,1,3,1
+64,0,2,140,313,0,1,133,0,0.2,2,0,3,1
+43,1,0,110,211,0,1,161,0,0,2,0,3,1
+55,1,1,130,262,0,1,155,0,0,2,0,2,1
+37,0,2,120,215,0,1,170,0,0,2,0,2,1
+41,1,2,130,214,0,0,168,0,2,1,0,2,1
+56,1,3,120,193,0,0,162,0,1.9,1,0,3,1
+46,0,1,105,204,0,1,172,0,0,2,0,2,1
+46,0,0,138,243,0,0,152,1,0,1,0,2,1
+64,0,0,130,303,0,1,122,0,2,1,2,2,1
+59,1,0,138,271,0,0,182,0,0,2,0,2,1
+41,0,2,112,268,0,0,172,1,0,2,0,2,1
+54,0,2,108,267,0,0,167,0,0,2,0,2,1
+39,0,2,94,199,0,1,179,0,0,2,0,2,1
+34,0,1,118,210,0,1,192,0,0.7,2,0,2,1
+47,1,0,112,204,0,1,143,0,0.1,2,0,2,1
+67,0,2,152,277,0,1,172,0,0,2,1,2,1
+52,0,2,136,196,0,0,169,0,0.1,1,0,2,1
+74,0,1,120,269,0,0,121,1,0.2,2,1,2,1
+54,0,2,160,201,0,1,163,0,0,2,1,2,1
+49,0,1,134,271,0,1,162,0,0,1,0,2,1
+42,1,1,120,295,0,1,162,0,0,2,0,2,1
+41,1,1,110,235,0,1,153,0,0,2,0,2,1
+41,0,1,126,306,0,1,163,0,0,2,0,2,1
+49,0,0,130,269,0,1,163,0,0,2,0,2,1
+60,0,2,120,178,1,1,96,0,0,2,0,2,1
+62,1,1,128,208,1,0,140,0,0,2,0,2,1
+57,1,0,110,201,0,1,126,1,1.5,1,0,1,1
+64,1,0,128,263,0,1,105,1,0.2,1,1,3,1
+51,0,2,120,295,0,0,157,0,0.6,2,0,2,1
+43,1,0,115,303,0,1,181,0,1.2,1,0,2,1
+42,0,2,120,209,0,1,173,0,0,1,0,2,1
+67,0,0,106,223,0,1,142,0,0.3,2,2,2,1
+76,0,2,140,197,0,2,116,0,1.1,1,0,2,1
+70,1,1,156,245,0,0,143,0,0,2,0,2,1
+44,0,2,118,242,0,1,149,0,0.3,1,1,2,1
+60,0,3,150,240,0,1,171,0,0.9,2,0,2,1
+44,1,2,120,226,0,1,169,0,0,2,0,2,1
+42,1,2,130,180,0,1,150,0,0,2,0,2,1
+66,1,0,160,228,0,0,138,0,2.3,2,0,1,1
+71,0,0,112,149,0,1,125,0,1.6,1,0,2,1
+64,1,3,170,227,0,0,155,0,0.6,1,0,3,1
+66,0,2,146,278,0,0,152,0,0,1,1,2,1
+39,0,2,138,220,0,1,152,0,0,1,0,2,1
+58,0,0,130,197,0,1,131,0,0.6,1,0,2,1
+47,1,2,130,253,0,1,179,0,0,2,0,2,1
+35,1,1,122,192,0,1,174,0,0,2,0,2,1
+58,1,1,125,220,0,1,144,0,0.4,1,4,3,1
+56,1,1,130,221,0,0,163,0,0,2,0,3,1
+56,1,1,120,240,0,1,169,0,0,0,0,2,1
+55,0,1,132,342,0,1,166,0,1.2,2,0,2,1
+41,1,1,120,157,0,1,182,0,0,2,0,2,1
+38,1,2,138,175,0,1,173,0,0,2,4,2,1
+38,1,2,138,175,0,1,173,0,0,2,4,2,1
+67,1,0,160,286,0,0,108,1,1.5,1,3,2,0
+67,1,0,120,229,0,0,129,1,2.6,1,2,3,0
+62,0,0,140,268,0,0,160,0,3.6,0,2,2,0
+63,1,0,130,254,0,0,147,0,1.4,1,1,3,0
+53,1,0,140,203,1,0,155,1,3.1,0,0,3,0
+56,1,2,130,256,1,0,142,1,0.6,1,1,1,0
+48,1,1,110,229,0,1,168,0,1,0,0,3,0
+58,1,1,120,284,0,0,160,0,1.8,1,0,2,0
+58,1,2,132,224,0,0,173,0,3.2,2,2,3,0
+60,1,0,130,206,0,0,132,1,2.4,1,2,3,0
+40,1,0,110,167,0,0,114,1,2,1,0,3,0
+60,1,0,117,230,1,1,160,1,1.4,2,2,3,0
+64,1,2,140,335,0,1,158,0,0,2,0,2,0
+43,1,0,120,177,0,0,120,1,2.5,1,0,3,0
+57,1,0,150,276,0,0,112,1,0.6,1,1,1,0
+55,1,0,132,353,0,1,132,1,1.2,1,1,3,0
+65,0,0,150,225,0,0,114,0,1,1,3,3,0
+61,0,0,130,330,0,0,169,0,0,2,0,2,0
+58,1,2,112,230,0,0,165,0,2.5,1,1,3,0
+50,1,0,150,243,0,0,128,0,2.6,1,0,3,0
+44,1,0,112,290,0,0,153,0,0,2,1,2,0
+60,1,0,130,253,0,1,144,1,1.4,2,1,3,0
+54,1,0,124,266,0,0,109,1,2.2,1,1,3,0
+50,1,2,140,233,0,1,163,0,0.6,1,1,3,0
+41,1,0,110,172,0,0,158,0,0,2,0,3,0
+51,0,0,130,305,0,1,142,1,1.2,1,0,3,0
+58,1,0,128,216,0,0,131,1,2.2,1,3,3,0
+54,1,0,120,188,0,1,113,0,1.4,1,1,3,0
+60,1,0,145,282,0,0,142,1,2.8,1,2,3,0
+60,1,2,140,185,0,0,155,0,3,1,0,2,0
+59,1,0,170,326,0,0,140,1,3.4,0,0,3,0
+46,1,2,150,231,0,1,147,0,3.6,1,0,2,0
+67,1,0,125,254,1,1,163,0,0.2,1,2,3,0
+62,1,0,120,267,0,1,99,1,1.8,1,2,3,0
+65,1,0,110,248,0,0,158,0,0.6,2,2,1,0
+44,1,0,110,197,0,0,177,0,0,2,1,2,0
+60,1,0,125,258,0,0,141,1,2.8,1,1,3,0
+58,1,0,150,270,0,0,111,1,0.8,2,0,3,0
+68,1,2,180,274,1,0,150,1,1.6,1,0,3,0
+62,0,0,160,164,0,0,145,0,6.2,0,3,3,0
+52,1,0,128,255,0,1,161,1,0,2,1,3,0
+59,1,0,110,239,0,0,142,1,1.2,1,1,3,0
+60,0,0,150,258,0,0,157,0,2.6,1,2,3,0
+49,1,2,120,188,0,1,139,0,2,1,3,3,0
+59,1,0,140,177,0,1,162,1,0,2,1,3,0
+57,1,2,128,229,0,0,150,0,0.4,1,1,3,0
+61,1,0,120,260,0,1,140,1,3.6,1,1,3,0
+39,1,0,118,219,0,1,140,0,1.2,1,0,3,0
+61,0,0,145,307,0,0,146,1,1,1,0,3,0
+56,1,0,125,249,1,0,144,1,1.2,1,1,2,0
+43,0,0,132,341,1,0,136,1,3,1,0,3,0
+62,0,2,130,263,0,1,97,0,1.2,1,1,3,0
+63,1,0,130,330,1,0,132,1,1.8,2,3,3,0
+65,1,0,135,254,0,0,127,0,2.8,1,1,3,0
+48,1,0,130,256,1,0,150,1,0,2,2,3,0
+63,0,0,150,407,0,0,154,0,4,1,3,3,0
+55,1,0,140,217,0,1,111,1,5.6,0,0,3,0
+65,1,3,138,282,1,0,174,0,1.4,1,1,2,0
+56,0,0,200,288,1,0,133,1,4,0,2,3,0
+54,1,0,110,239,0,1,126,1,2.8,1,1,3,0
+70,1,0,145,174,0,1,125,1,2.6,0,0,3,0
+62,1,1,120,281,0,0,103,0,1.4,1,1,3,0
+35,1,0,120,198,0,1,130,1,1.6,1,0,3,0
+59,1,3,170,288,0,0,159,0,0.2,1,0,3,0
+64,1,2,125,309,0,1,131,1,1.8,1,0,3,0
+47,1,2,108,243,0,1,152,0,0,2,0,2,0
+57,1,0,165,289,1,0,124,0,1,1,3,3,0
+55,1,0,160,289,0,0,145,1,0.8,1,1,3,0
+64,1,0,120,246,0,0,96,1,2.2,0,1,2,0
+70,1,0,130,322,0,0,109,0,2.4,1,3,2,0
+51,1,0,140,299,0,1,173,1,1.6,2,0,3,0
+58,1,0,125,300,0,0,171,0,0,2,2,3,0
+60,1,0,140,293,0,0,170,0,1.2,1,2,3,0
+77,1,0,125,304,0,0,162,1,0,2,3,2,0
+35,1,0,126,282,0,0,156,1,0,2,0,3,0
+70,1,2,160,269,0,1,112,1,2.9,1,1,3,0
+59,0,0,174,249,0,1,143,1,0,1,0,2,0
+64,1,0,145,212,0,0,132,0,2,1,2,1,0
+57,1,0,152,274,0,1,88,1,1.2,1,1,3,0
+56,1,0,132,184,0,0,105,1,2.1,1,1,1,0
+48,1,0,124,274,0,0,166,0,0.5,1,0,3,0
+56,0,0,134,409,0,0,150,1,1.9,1,2,3,0
+66,1,1,160,246,0,1,120,1,0,1,3,1,0
+54,1,1,192,283,0,0,195,0,0,2,1,3,0
+69,1,2,140,254,0,0,146,0,2,1,3,3,0
+51,1,0,140,298,0,1,122,1,4.2,1,3,3,0
+43,1,0,132,247,1,0,143,1,0.1,1,4,3,0
+62,0,0,138,294,1,1,106,0,1.9,1,3,2,0
+67,1,0,100,299,0,0,125,1,0.9,1,2,2,0
+59,1,3,160,273,0,0,125,0,0,2,0,2,0
+45,1,0,142,309,0,0,147,1,0,1,3,3,0
+58,1,0,128,259,0,0,130,1,3,1,2,3,0
+50,1,0,144,200,0,0,126,1,0.9,1,0,3,0
+62,0,0,150,244,0,1,154,1,1.4,1,0,2,0
+38,1,3,120,231,0,1,182,1,3.8,1,0,3,0
+66,0,0,178,228,1,1,165,1,1,1,2,3,0
+52,1,0,112,230,0,1,160,0,0,2,1,2,0
+53,1,0,123,282,0,1,95,1,2,1,2,3,0
+63,0,0,108,269,0,1,169,1,1.8,1,2,2,0
+54,1,0,110,206,0,0,108,1,0,1,1,2,0
+66,1,0,112,212,0,0,132,1,0.1,2,1,2,0
+55,0,0,180,327,0,2,117,1,3.4,1,0,2,0
+49,1,2,118,149,0,0,126,0,0.8,2,3,2,0
+54,1,0,122,286,0,0,116,1,3.2,1,2,2,0
+56,1,0,130,283,1,0,103,1,1.6,0,0,3,0
+46,1,0,120,249,0,0,144,0,0.8,2,0,3,0
+61,1,3,134,234,0,1,145,0,2.6,1,2,2,0
+67,1,0,120,237,0,1,71,0,1,1,0,2,0
+58,1,0,100,234,0,1,156,0,0.1,2,1,3,0
+47,1,0,110,275,0,0,118,1,1,1,1,2,0
+52,1,0,125,212,0,1,168,0,1,2,2,3,0
+58,1,0,146,218,0,1,105,0,2,1,1,3,0
+57,1,1,124,261,0,1,141,0,0.3,2,0,3,0
+58,0,1,136,319,1,0,152,0,0,2,2,2,0
+61,1,0,138,166,0,0,125,1,3.6,1,1,2,0
+42,1,0,136,315,0,1,125,1,1.8,1,0,1,0
+52,1,0,128,204,1,1,156,1,1,1,0,0,0
+59,1,2,126,218,1,1,134,0,2.2,1,1,1,0
+40,1,0,152,223,0,1,181,0,0,2,0,3,0
+61,1,0,140,207,0,0,138,1,1.9,2,1,3,0
+46,1,0,140,311,0,1,120,1,1.8,1,2,3,0
+59,1,3,134,204,0,1,162,0,0.8,2,2,2,0
+57,1,1,154,232,0,0,164,0,0,2,1,2,0
+57,1,0,110,335,0,1,143,1,3,1,1,3,0
+55,0,0,128,205,0,2,130,1,2,1,1,3,0
+61,1,0,148,203,0,1,161,0,0,2,1,3,0
+58,1,0,114,318,0,2,140,0,4.4,0,3,1,0
+58,0,0,170,225,1,0,146,1,2.8,1,2,1,0
+67,1,2,152,212,0,0,150,0,0.8,1,0,3,0
+44,1,0,120,169,0,1,144,1,2.8,0,0,1,0
+63,1,0,140,187,0,0,144,1,4,2,2,3,0
+63,0,0,124,197,0,1,136,1,0,1,0,2,0
+59,1,0,164,176,1,0,90,0,1,1,2,1,0
+57,0,0,140,241,0,1,123,1,0.2,1,0,3,0
+45,1,3,110,264,0,1,132,0,1.2,1,0,3,0
+68,1,0,144,193,1,1,141,0,3.4,1,2,3,0
+57,1,0,130,131,0,1,115,1,1.2,1,1,3,0
+57,0,1,130,236,0,0,174,0,0,1,1,2,0