基于GBM和随机森林模型探索影响学生压力的主要因素

1.项目背景

数据集包含了心理、生理、社会、环境和学术等不同方面信息，为深入探讨学生面临的各种压力提供参考数据。从睡眠质量到学习负担，再到环境和人际关系的影响，数据集涵盖了约20个最显著的特征。
本项目主要采取可视化分析探索数据，并且根据学生不同的压力水平进行差异分析，发现所有因素对于学生的压力水平都有显著的相关性，再通过KW检验，可以认为这些因素对学生的压力水平具有显著影响，或者说不同压力水平下，这些因素之间都有差异，最后建立了梯度提升机和随机森林模型，进一步探究这些因素的重要度。

2.数据说明

字段名	说明
anxiety_level	焦虑水平；[0, 21]，数字越大表示程度越高
self_esteem	自尊水平；[0, 30]，数字越大表示程度越高
mental_health_history	心理健康病史；1：有，0：无
depression	抑郁；[0, 27]，数字越大表示程度越高
headache	头痛问题；[0, 5]，数字越大表示发生频率越高
blood_pressure	血压问题；[1, 3]，数字越大表示情况越严重
sleep_quality	睡眠质量；[0, 5]，数字越大表示质量越高
breathing_problem	呼吸问题；[0, 5]，数字越大表示情况越严重
noise_level	环境噪音水平; [0, 5]，数字越大表示程度越高
living_conditions	居住条件；[0, 5]，数字越大表示条件越好
safety	安全； [0, 5]，数字越大表示程度越高
basic_needs	基本需求满足情况；[0, 5]，数字越大表示程度越高
academic_performance	学业表现；[0, 5]，数字越大表示水平越高
study_load	学业负担；[0, 5]，数字越大表示水平越高
teacher_student_relationship	师生关系；[0, 5]，数字越大表示水平越高
future_career_concerns	未来职业担忧；[0, 5]，数字越大表示水平越高
social_support	社会支持；[0, 3]，数字越大表示程度越强
peer_pressure	同辈压力；[0, 5]，数字越大表示程度越高
extracurricular_activities	课外活动；[0, 5]，数字越大表示频率越高
bullying	霸凌问题；[0, 5]，数字越大表示程度越高
stress_level	压力水平；[0, 2]，数字越大表示程度越高

3.Python库导入及数据读取

In?[1]:

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import scipy.stats as stats
from sklearn.model_selection import train_test_split 
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import classification_report,confusion_matrix
from sklearn.ensemble import RandomForestClassifier

In?[2]:

# 读取数据
data = pd.read_csv("/home/mw/input/stress4628/StressLevelDataset.csv")

4.数据预览及数据处理

4.1数据预览

In?[3]:

# 查看数据维度
data.shape

Out[3]:

(1100, 21)

In?[4]:

# 查看数据信息
data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1100 entries, 0 to 1099
Data columns (total 21 columns):
anxiety_level                   1100 non-null int64
self_esteem                     1100 non-null int64
mental_health_history           1100 non-null int64
depression                      1100 non-null int64
headache                        1100 non-null int64
blood_pressure                  1100 non-null int64
sleep_quality                   1100 non-null int64
breathing_problem               1100 non-null int64
noise_level                     1100 non-null int64
living_conditions               1100 non-null int64
safety                          1100 non-null int64
basic_needs                     1100 non-null int64
academic_performance            1100 non-null int64
study_load                      1100 non-null int64
teacher_student_relationship    1100 non-null int64
future_career_concerns          1100 non-null int64
social_support                  1100 non-null int64
peer_pressure                   1100 non-null int64
extracurricular_activities      1100 non-null int64
bullying                        1100 non-null int64
stress_level                    1100 non-null int64
dtypes: int64(21)
memory usage: 180.5 KB

In?[5]:

# 查看各列缺失值
data.isna().sum()

Out[5]:

anxiety_level                   0
self_esteem                     0
mental_health_history           0
depression                      0
headache                        0
blood_pressure                  0
sleep_quality                   0
breathing_problem               0
noise_level                     0
living_conditions               0
safety                          0
basic_needs                     0
academic_performance            0
study_load                      0
teacher_student_relationship    0
future_career_concerns          0
social_support                  0
peer_pressure                   0
extracurricular_activities      0
bullying                        0
stress_level                    0
dtype: int64

In?[6]:

# 查看重复值
data.duplicated().sum()

Out[6]:

0

In?[7]:

# 查看数据的唯一取值
for i in data.columns.tolist():
    print(f'{i}:')
    print(data[i].unique())
    print('-'*50)

anxiety_level:
[14 15 12 16 20  4 17 13  6  5  9  2 11  7 21  3 18  0  8  1 19 10]
--------------------------------------------------
self_esteem:
[20  8 18 12 28 13 26  3 22 15 23 21 25  1 27  5  6  9 29 30  4 19 16  2
  0 14  7 17 24 11 10]
--------------------------------------------------
mental_health_history:
[0 1]
--------------------------------------------------
depression:
[11 15 14  7 21  6 22 12 27 25  8 24  3  1  0  5 26 20 10  9  2 16  4 13
 18 23 17 19]
--------------------------------------------------
headache:
[2 5 4 3 1 0]
--------------------------------------------------
blood_pressure:
[1 3 2]
--------------------------------------------------
sleep_quality:
[2 1 5 4 3 0]
--------------------------------------------------
breathing_problem:
[4 2 3 1 5 0]
--------------------------------------------------
noise_level:
[2 3 4 1 0 5]
--------------------------------------------------
living_conditions:
[3 1 2 4 5 0]
--------------------------------------------------
safety:
[3 2 4 1 5 0]
--------------------------------------------------
basic_needs:
[2 3 1 4 5 0]
--------------------------------------------------
academic_performance:
[3 1 2 4 5 0]
--------------------------------------------------
study_load:
[2 4 3 5 1 0]
--------------------------------------------------
teacher_student_relationship:
[3 1 2 4 5 0]
--------------------------------------------------
future_career_concerns:
[3 5 2 4 1 0]
--------------------------------------------------
social_support:
[2 1 3 0]
--------------------------------------------------
peer_pressure:
[3 4 5 2 1 0]
--------------------------------------------------
extracurricular_activities:
[3 5 2 4 0 1]
--------------------------------------------------
bullying:
[2 5 1 4 3 0]
--------------------------------------------------
stress_level:
[1 2 0]
--------------------------------------------------

In?[8]:

data.head()

Out[8]:

	anxiety_level	self_esteem	mental_health_history	depression	headache	blood_pressure	sleep_quality	breathing_problem	noise_level	living_conditions	...	basic_needs	academic_performance	study_load	teacher_student_relationship	future_career_concerns	social_support	peer_pressure	extracurricular_activities	bullying	stress_level
0	14	20	0	11	2	1	2	4	2	3	...	2	3	2	3	3	2	3	3	2	1
1	15	8	1	15	5	3	1	4	3	1	...	2	1	4	1	5	1	4	5	5	2
2	12	18	1	14	2	1	2	2	2	2	...	2	2	3	3	2	2	3	2	2	1
3	16	12	1	15	4	3	1	3	4	2	...	2	2	4	1	4	1	4	4	5	2
4	16	28	0	7	2	3	5	1	3	2	...	3	4	3	1	2	1	5	0	5	1

5 rows × 21 columns

4.2数据处理

数据比较干净，不存在缺失值，并且每个特征的取值也在范围内，这里就不进行数据处理了。

5.可视化分析

5.1心理因素

In?[9]:

plt.figure(figsize=(15,15))

# 焦虑水平
plt.subplot(2,2,1)
sns.distplot(data['anxiety_level'], kde=True)
plt.title('焦虑水平分布')
plt.xlabel('焦虑水平')
plt.ylabel('频数')

# 自尊水平
plt.subplot(2,2,2)
sns.boxplot(y=data['self_esteem'])
plt.title('自尊水平分布')
plt.ylabel('自尊水平')

# 心理健康病史
plt.subplot(2,2,3)
sns.countplot(x=data['mental_health_history'])
plt.title('心理健康病史分布')
plt.xlabel('心理健康病史')
plt.ylabel('频数')

# 抑郁情况
plt.subplot(2,2,4)
sns.violinplot(y=data['depression'])
plt.title('抑郁情况分布')
plt.ylabel('抑郁程度')

plt.tight_layout()
plt.show()

1.焦虑水平：焦虑水平似乎呈现正态分布，大多数数据集中在10到15之间。
2.自尊水平：中位数大约在19左右，四分位范围从约11到约28。
3.心理健康病史：没有心理健康病史的人数稍多于有病史的人数。
4.抑郁：中位数大约在13左右，大部分人数主要分布在13左右，这时候图形最宽。

5.2生理因素

In?[10]:

plt.figure(figsize=(15,15))

# 头痛问题
plt.subplot(2,2,1)
sns.countplot(x=data['headache'])
plt.title('头痛问题等级分布')
plt.xlabel('头痛问题等级')
plt.ylabel('频数')

# 血压问题
plt.subplot(2,2,2)
sns.countplot(x=data['blood_pressure'])
plt.title('血压问题等级分布')
plt.xlabel('血压问题等级')
plt.ylabel('频数')

# 睡眠质量
plt.subplot(2,2,3)
sns.countplot(x=data['sleep_quality'])
plt.title('睡眠质量等级分布')
plt.xlabel('睡眠质量等级')
plt.ylabel('频数')

# 呼吸问题
plt.subplot(2,2,4)
sns.countplot(x=data['breathing_problem'])
plt.title('呼吸问题等级分布')
plt.xlabel('呼吸问题等级')
plt.ylabel('频数')

plt.tight_layout()
plt.show()

1.头痛问题：1级头痛的频率是最常见的。其他级别的频率由高到低依次为3级、2级、4级和5级。
2.血压问题：接近500人有3级血压问题，1级和2级血压问题人数数量比较接近。
3.睡眠质量：最多的是1级睡眠质量，表明大多数人认为自己的睡眠质量并不好。
4.呼吸问题：主要集中在2级和4级。

5.3环境因素

In?[11]:

plt.figure(figsize=(15,15))

# 噪音环境水平
plt.subplot(2,2,1)
sns.countplot(x=data['noise_level'])
plt.title('噪音环境水平分布')
plt.xlabel('噪音环境水平')
plt.ylabel('频数')

# 居住条件
plt.subplot(2,2,2)
sns.countplot(x=data['living_conditions'])
plt.title('居住条件等级分布')
plt.xlabel('居住条件等级')
plt.ylabel('频数')

# 安全等级
plt.subplot(2,2,3)
sns.countplot(x=data['safety'])
plt.title('安全等级分布')
plt.xlabel('安全等级')
plt.ylabel('频数')

# 基本需求满足情况
plt.subplot(2,2,4)
sns.countplot(x=data['basic_needs'])
plt.title('基本需求满足情况分布')
plt.xlabel('基本需求满足情况')
plt.ylabel('频数')

plt.tight_layout()
plt.show()

1.噪音环境：主要集中在2级和3级，表明大多数人表示居住环境有噪音，但是处于中等级别。
2.居住条件：主要集中在2级和3级，表明大多数人认为自己的居住条件处于中等级别。
3.安全等级：主要集中在2级，然后较为均匀的分布在1级，3级，4级，5级，极少部分认为居住安全等级为0级。
4.基本需求满足情况：和安全等级一样，主要集中在2级，较为均匀的分布在1级、3级、4级、5级。

5.4学业因素

In?[12]:

plt.figure(figsize=(15,15))

# 学业表现
plt.subplot(2,2,1)
sns.countplot(x=data['academic_performance'])
plt.title('学业表现水平分布')
plt.xlabel('学业表现水平')
plt.ylabel('频数')

# 学业负担
plt.subplot(2,2,2)
sns.countplot(x=data['study_load'])
plt.title('学业负担水平分布')
plt.xlabel('学业负担水平')
plt.ylabel('频数')

# 师生关系
plt.subplot(2,2,3)
sns.countplot(x=data['teacher_student_relationship'])
plt.title('师生关系水平分布')
plt.xlabel('师生关系水平')
plt.ylabel('频数')

# 未来职业担忧
plt.subplot(2,2,4)
sns.countplot(x=data['future_career_concerns'])
plt.title('未来职业担忧情况分布')
plt.xlabel('未来职业担忧情况')
plt.ylabel('频数')


plt.tight_layout()
plt.show()

1.学业表现水平：主要集中在2级，较为均匀的分布在1级，3级，4级，5级，表明大多数人认为自己的学业处于中等水平。
2.学业负担：大多数处于1级-3级，表明大多人认为学业负担中等。
3.师生关系主要也是集中在2级，表明大多数人的师生关系比较一般。
4.对未来职业担忧的情况比较少，主要位于1级，但是只有极少部分人没有担忧（0级）。

5.5社会因素

In?[13]:

plt.figure(figsize=(15,15))

# 社会支持
plt.subplot(2,2,1)
social_support_counts = data['social_support'].value_counts()
plt.pie(social_support_counts, labels=social_support_counts.index, autopct='%1.1f%%', startangle=140)
plt.title('社会支持分布')

# 同辈压力
plt.subplot(2,2,2)
sns.countplot(x=data['peer_pressure'])
plt.title('同辈压力分布')
plt.xlabel('同辈压力')
plt.ylabel('频数')

# 课外活动
plt.subplot(2,2,3)
sns.countplot(x=data['extracurricular_activities'])
plt.title('课外活动分布')
plt.xlabel('课外活动')
plt.ylabel('频数')

# 霸凌问题
plt.subplot(2,2,4)
sns.countplot(x=data['bullying'])
plt.title('霸凌问题分布')
plt.xlabel('霸凌问题')
plt.ylabel('频数')


plt.tight_layout()
plt.show()

1.社会支持可以看出来，主要集中在1级和3级。
2.同辈压力主要集中在2级，表明大多数人认为同辈给自己的压力比较正常。
3.课外活动主要位于2级，表明大多数学生的课外活动的频率比较正常。
4.大多数学生都遇到霸凌问题，霸凌等级为1级的占比最大。

5.6压力等级分布

In?[14]:

stress_level_counts = data['stress_level'].value_counts()

plt.figure(figsize=(8, 8))
plt.pie(stress_level_counts, labels=stress_level_counts.index, autopct='%1.1f%%', startangle=140)
plt.title('压力水平分布')
plt.show()

压力等级分布比较均匀，0级-3级分别占总数的33%左右，人数差距不是很大。

6.压力因素分析

6.1可视化差异分析

In?[15]:

plt.figure(figsize=(15,15))

# 焦虑水平
plt.subplot(2,2,1)
sns.boxplot(x=data['stress_level'],y=data['anxiety_level'])
plt.title('不同压力水平下焦虑水平情况')
plt.xlabel('压力水平')
plt.ylabel('焦虑水平')

# 自尊水平
plt.subplot(2,2,2)
sns.boxplot(x=data['stress_level'],y=data['self_esteem'])
plt.title('不同压力水平下自尊水平情况')
plt.xlabel('压力水平')
plt.ylabel('自尊水平')

# 心理健康病史
plt.subplot(2,2,3)
counts = data.groupby(['stress_level','mental_health_history']).size().unstack(fill_value=0)
counts.plot(kind='bar', stacked=True, ax=plt.gca())
plt.legend(title='心理健康病史', loc='upper right')
plt.title('不同压力水平下心理健康病史的分布')
plt.xlabel('压力水平')
plt.ylabel('频数')
plt.xticks(rotation=0)

# 抑郁情况
plt.subplot(2,2,4)
sns.boxplot(x=data['stress_level'],y=data['depression'])
plt.title('不同压力水平下抑郁情况')
plt.xlabel('压力水平')
plt.ylabel('抑郁情况')

plt.tight_layout()
plt.show()

通过四幅子图可以发现，心理方面对学生的压力的影响比较明显，值得注意的一点是：压力程度越大的学生自尊程度越低，压力水平的增加往往与自尊水平的降低有关，压力越大的时候，越容易不自信，自尊水平的中位数随着压力水平的增加而降低，并且在更高的压力水平下数据的分散程度变大，这可能表明在压力增大的情况下，学生的自尊感受到了负面影响，且学生间自尊水平的差异也变得更大。

In?[16]:

plt.figure(figsize=(15,15))

# 头痛问题
plt.subplot(2,2,1)
sns.violinplot(x=data['stress_level'],y=data['headache'])
plt.title('不同压力水平下头痛程度')
plt.xlabel('压力水平')
plt.ylabel('头痛程度')

# 血压问题
plt.subplot(2,2,2)
counts = data.groupby(['stress_level', 'blood_pressure']).size().unstack(fill_value=0)
counts.plot(kind='bar', stacked=True, ax=plt.gca())
plt.legend(title='血压问题等级', loc='upper right')
plt.title('不同压力水平下血压问题等级的分布')
plt.xlabel('压力水平')
plt.ylabel('频数')
plt.xticks(rotation=0)

# 睡眠质量
plt.subplot(2,2,3)
sns.violinplot(x=data['stress_level'],y=data['sleep_quality'])
plt.title('不同压力水平下睡眠质量等级情况')
plt.xlabel('压力水平')
plt.ylabel('睡眠质量')

# 呼吸问题
plt.subplot(2,2,4)
sns.violinplot(x=data['stress_level'],y=data['breathing_problem'])
plt.title('不同压力水平下呼吸问题程度')
plt.xlabel('压力水平')
plt.ylabel('呼吸问题程度')

plt.tight_layout()
plt.show()

通过四幅子图可以发现，生理方面对学生的压力的影响比较明显，值得注意的是，压力为2级的学生，血压问题都是最严重的，但是压力0级的学生血压问题反而比压力为1级的学生小，这一点与预期的并不符合，或许有适当的压力，能够让学生的血压问题更小吧。

In?[17]:

plt.figure(figsize=(15,15))

# 噪音环境水平
plt.subplot(2,2,1)
sns.violinplot(x=data['stress_level'],y=data['noise_level'])
plt.title('不同压力水平下噪音程度')
plt.xlabel('压力水平')
plt.ylabel('噪音程度')

# 居住条件
plt.subplot(2,2,2)
sns.violinplot(x=data['stress_level'],y=data['living_conditions'])
plt.title('不同压力水平下居住条件优劣情况')
plt.xlabel('压力水平')
plt.ylabel('居住条件优劣情况')

# 安全等级
plt.subplot(2,2,3)
sns.violinplot(x=data['stress_level'],y=data['safety'])
plt.title('不同压力水平下安全等级')
plt.xlabel('压力水平')
plt.ylabel('安全等级')

# 基本需求满足情况
plt.subplot(2,2,4)
sns.scatterplot(x=data['basic_needs'],y=data['stress_level'],alpha=0.6)
sns.regplot(x=data['basic_needs'],y=data['stress_level'],scatter=False,color='red') # 趋势线
plt.title('压力水平与基本满足情况的关系')
plt.xlabel('基本满足情况')
plt.ylabel('压力水平')


plt.tight_layout()
plt.show()

通过四幅子图可以发现，生活环境对学生的压力的影响比较明显，且均符合我们的预期，噪音等级与压力成正比，居住条件、安全等级、满足情况与压力成反比。

In?[18]:

plt.figure(figsize=(15,15))

# 学业表现
plt.subplot(2,2,1)
sns.violinplot(x=data['stress_level'],y=data['academic_performance'])
plt.title('不同压力水平下学业表现')
plt.xlabel('压力水平')
plt.ylabel('学业表现')

# 学业负担
plt.subplot(2,2,2)
sns.violinplot(x=data['stress_level'],y=data['study_load'])
plt.title('不同压力水平下学业负担')
plt.xlabel('压力水平')
plt.ylabel('学业负担')

# 师生关系
plt.subplot(2,2,3)
sns.violinplot(x=data['stress_level'],y=data['teacher_student_relationship'])
plt.title('不同压力水平下师生关系')
plt.xlabel('压力水平')
plt.ylabel('师生关系')

# 未来职业担忧
plt.subplot(2,2,4)
sns.violinplot(x=data['stress_level'],y=data['future_career_concerns'])
plt.title('不同压力水平下对未来职业担忧情况')
plt.xlabel('压力水平')
plt.ylabel('未来职业担忧水平')

plt.tight_layout()
plt.show()

通过四幅子图可以发现，学业情况对学生的压力的影响比较明显，且均符合我们的预期，压力小的学生，往往有不错的学业表现，学业压力更小，师生关系更和谐，对未来职业的担忧情况也不明显。

In?[19]:

plt.figure(figsize=(15,15))

# 社会支持
plt.subplot(2,2,1)
sns.scatterplot(x=data['social_support'],y=data['stress_level'],alpha=0.6)
sns.regplot(x=data['social_support'],y=data['stress_level'],scatter=False,color='red') # 趋势线
plt.title('不同压力水平下社会支持情况')
plt.xlabel('社会支持')
plt.ylabel('压力水平')

# 同辈压力
plt.subplot(2,2,2)
sns.boxplot(x=data['stress_level'],y=data['peer_pressure'])
plt.title('不同压力水平下来自同辈的压力')
plt.xlabel('压力水平')
plt.ylabel('同辈压力')

# 课外活动
plt.subplot(2,2,3)
sns.boxplot(x=data['stress_level'],y=data['extracurricular_activities'])
plt.title('不同压力水平下课外活动情况')
plt.xlabel('压力水平')
plt.ylabel('课外活动')

# 霸凌问题
plt.subplot(2,2,4)
sns.boxplot(x=data['stress_level'],y=data['bullying'])
plt.title('不同压力水平下遭遇的霸凌问题')
plt.xlabel('压力水平')
plt.ylabel('霸凌问题')

plt.tight_layout()
plt.show()

通过四幅子图可以发现，社会环境对学生的压力的影响比较明显，社会支持程度越大，学生的压力也就越小，所以提高社会对学生的支持程度，有助于缓解学生的压力，同辈压力少一点，也有助于降低学生的压力，这一个压力来源于家里人的“别人家的孩子”对比，所以降低对比，也有助于缓解学生的压力，课外活动越多，学生的压力也比较大，这一点不符合我们的期望，正常来说课外活动频率越高，能够充分缓解学生的压力，可能是因为过多的课外活动，反而增加了学生的压力，或者可以认为，这个课外活动其实是“兴趣班”，反而剥夺了学生课余的休息时间，当然这是猜测，数据中无过多的解释。

6.2相关性分析

In?[20]:

# 计算斯皮尔曼等级相关系数
spearman_corr = data.corr(method='spearman')

plt.figure(figsize=(20,18))
sns.heatmap(spearman_corr,annot=True,fmt=".2f",cmap='Blues')
plt.title('相关系数热力图')
plt.show()

影响学生压力的因素有很多，可以说这些因素与学生压力有很强的线性关系，与可视化得出的结论一致，且各因素之间存在较强的相关性。

6.3KW检验

Kruskal-Wallis H检验（简称KW检验）是一种非参数统计检验，用于比较三个或更多独立样本的中位数。它是单因素方差分析（ANOVA）的非参数替代，适用于当数据不满足ANOVA要求的正态分布假设时，或者当数据是序数的而不是连续的。这里数据是有序数，所以采用了KW检验。

In?[21]:

anxiety_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('anxiety_level')])
self_esteem_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('self_esteem')])
mental_health_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('mental_health_history')])
depression_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('depression')])
print("焦虑水平:", anxiety_kw_test)
print("自尊水平:", self_esteem_kw_test)
print("心理健康病史:", mental_health_kw_test)
print("抑郁水平:", depression_kw_test)

焦虑水平: KruskalResult(statistic=702.387140222182, pvalue=4.157198094141301e-135)
自尊水平: KruskalResult(statistic=742.8686053265434, pvalue=5.529809963705805e-137)
心理健康病史: KruskalResult(statistic=462.3745218739696, pvalue=1.462706387212143e-102)
抑郁水平: KruskalResult(statistic=708.8431024713545, pvalue=5.346767393414693e-132)

In?[22]:

headache_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('headache')])
blood_pressure_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('blood_pressure')])
sleep_quality_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('sleep_quality')])
breathing_problem_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('breathing_problem')])

print("头痛问题:", headache_kw_test)
print("血压问题:", blood_pressure_kw_test)
print("睡眠质量:", sleep_quality_kw_test)
print("呼吸问题:", breathing_problem_kw_test)

头痛问题: KruskalResult(statistic=687.9674316854657, pvalue=1.9626072816290985e-146)
血压问题: KruskalResult(statistic=704.1568611356015, pvalue=1.2424542536069255e-153)
睡眠质量: KruskalResult(statistic=772.0516673162025, pvalue=1.2855393918686477e-164)
呼吸问题: KruskalResult(statistic=526.8375002359497, pvalue=1.2837926727682774e-111)

In?[23]:

noise_level_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('noise_level')])
living_conditions_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('living_conditions')])
safety_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('safety')])
basic_needs_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('basic_needs')])

print("环境噪音水平:", noise_level_kw_test)
print("居住条件:", living_conditions_kw_test)
print("安全:", safety_kw_test)
print("基本需求满足情况:", basic_needs_kw_test)

环境噪音水平: KruskalResult(statistic=586.5631247729671, pvalue=1.6178791193748772e-124)
居住条件: KruskalResult(statistic=575.0041918394753, pvalue=5.081774855065671e-122)
安全: KruskalResult(statistic=640.9395255011125, pvalue=2.8762457483637736e-136)
基本需求满足情况: KruskalResult(statistic=663.4281526029017, pvalue=3.961677558956117e-141)

In?[24]:

academic_performance_kw = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('academic_performance')])
academic_burden_kw = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('study_load')])
teacher_student_relationship_kw = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('teacher_student_relationship')])
future_career_concerns_kw = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('future_career_concerns')])

print("学业表现:", academic_performance_kw)
print("学业负担:", academic_burden_kw)
print("师生关系:", teacher_student_relationship_kw)
print("未来职业担忧:", future_career_concerns_kw)

学业表现: KruskalResult(statistic=673.751808663016, pvalue=2.3235644313954424e-143)
学业负担: KruskalResult(statistic=539.8457949422015, pvalue=1.9934698555723444e-114)
师生关系: KruskalResult(statistic=666.9152047208431, pvalue=6.983613712367081e-142)
未来职业担忧: KruskalResult(statistic=756.2615479117544, pvalue=3.34533736719054e-161)

In?[25]:

social_support_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('social_support')])
peer_pressure_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('peer_pressure')])
extracurricular_activities_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('extracurricular_activities')])
bullying_kw_test = stats.kruskal(*[group['stress_level'] for name, group in data.groupby('bullying')])

print("社会支持:", social_support_kw_test)
print("同辈压力:", peer_pressure_kw_test)
print("课外活动:", extracurricular_activities_kw_test)
print("霸凌问题:", bullying_kw_test)

社会支持: KruskalResult(statistic=601.1430165688822, pvalue=5.696421974927428e-130)
同辈压力: KruskalResult(statistic=610.1398563933049, pvalue=1.3028971044658154e-129)
课外活动: KruskalResult(statistic=639.7145291505822, pvalue=5.291614451431716e-136)
霸凌问题: KruskalResult(statistic=762.1237834149484, pvalue=1.805047626556851e-162)

KW检验的p值均小于0.05，可以认为这些因素对学生的压力水平具有显著影响。

7.梯度提升机（GBM模型）

7.1数据划分

In?[26]:

x = data.drop('stress_level',axis=1)
y = data['stress_level']
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,random_state=15) #28分

7.2模型建立

In?[27]:

gbm_model = GradientBoostingClassifier(random_state=15)
gbm_model.fit(x_train, y_train)

Out[27]:

GradientBoostingClassifier(criterion='friedman_mse', init=None,
                           learning_rate=0.1, loss='deviance', max_depth=3,
                           max_features=None, max_leaf_nodes=None,
                           min_impurity_decrease=0.0, min_impurity_split=None,
                           min_samples_leaf=1, min_samples_split=2,
                           min_weight_fraction_leaf=0.0, n_estimators=100,
                           n_iter_no_change=None, presort='auto',
                           random_state=15, subsample=1.0, tol=0.0001,
                           validation_fraction=0.1, verbose=0,
                           warm_start=False)

7.3模型评估

In?[28]:

y_pred_gbm = gbm_model.predict(x_test)
class_report = classification_report(y_test, y_pred_gbm)
print(class_report)

              precision    recall  f1-score   support

           0       0.89      0.88      0.89        76
           1       0.88      0.86      0.87        71
           2       0.86      0.89      0.87        73

    accuracy                           0.88       220
   macro avg       0.88      0.88      0.88       220
weighted avg       0.88      0.88      0.88       220

In?[29]:

cm = confusion_matrix(y_test,y_pred_gbm)

plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=[0, 1, 2], yticklabels=[0, 1, 2])
plt.title('混淆矩阵')
plt.xlabel('预测值')
plt.ylabel('真实值')
plt.show()

GBM模型评分如下:
1.精确度: 对于类别0，精确度为0.89，对于类别1，精确度为0.88，对于类别2，精确度为0.86。
2.召回率: 对于类别0，召回率为0.88，对于类别1，召回率为0.86，对于类别2，召回率为0.89。
3.F1得分: 对于类别0，F1得分为0.89，对于类别1，F1得分为0.87，对于类别2，F1得分为0.87。
4.准确率: 0.88。

7.4影响因素分析

In?[30]:

feature_importances = gbm_model.estimators_[0][0].feature_importances_
features_gbm = pd.DataFrame({'特征': x.columns, '重要度': feature_importances})
features_gbm.sort_values(by='重要度', ascending=False, inplace=True)
features_gbm

Out[30]:

	特征	重要度
12	academic_performance	0.832648
5	blood_pressure	0.083959
13	study_load	0.044445
14	teacher_student_relationship	0.022467
0	anxiety_level	0.008366
16	social_support	0.008116
11	basic_needs	0.000000
18	extracurricular_activities	0.000000
17	peer_pressure	0.000000
15	future_career_concerns	0.000000
10	safety	0.000000
1	self_esteem	0.000000
9	living_conditions	0.000000
8	noise_level	0.000000
7	breathing_problem	0.000000
6	sleep_quality	0.000000
4	headache	0.000000
3	depression	0.000000
2	mental_health_history	0.000000
19	bullying	0.000000

影响模型预测的主要特征就是：academic_performance（学业表现），表明学生的学业表现是影响模型预测的主要因素，也符合预期，学生的压力主要来自学业。

8.随机森林模型

8.1建立模型

In?[31]:

rf_model = RandomForestClassifier(random_state=15)
rf_model.fit(x_train,y_train)

/opt/conda/lib/python3.6/site-packages/sklearn/ensemble/forest.py:245: FutureWarning: The default value of n_estimators will change from 10 in version 0.20 to 100 in 0.22.
  "10 in version 0.20 to 100 in 0.22.", FutureWarning)

Out[31]:

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
                       max_depth=None, max_features='auto', max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators=10,
                       n_jobs=None, oob_score=False, random_state=15, verbose=0,
                       warm_start=False)

8.2模型评估

In?[32]:

y_pred_rf = rf_model.predict(x_test)
class_report_rf = classification_report(y_test, y_pred_rf)
print(class_report_rf)

              precision    recall  f1-score   support

           0       0.89      0.92      0.90        76
           1       0.85      0.87      0.86        71
           2       0.90      0.84      0.87        73

    accuracy                           0.88       220
   macro avg       0.88      0.88      0.88       220
weighted avg       0.88      0.88      0.88       220

In?[33]:

cm = confusion_matrix(y_test,y_pred_rf)

plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=[0, 1, 2], yticklabels=[0, 1, 2])
plt.title('混淆矩阵')
plt.xlabel('预测值')
plt.ylabel('真实值')
plt.show()

随机森林模型评分如下:
1.精确度: 对于类别0，精确度为0.89，对于类别1，精确度为0.85，对于类别2，精确度为0.90。
2.召回率: 对于类别0，召回率为0.92，对于类别1，召回率为0.87，对于类别2，召回率为0.84。
3.F1得分: 对于类别0，F1得分为0.90，对于类别1，F1得分为0.86，对于类别2，F1得分为0.87。
4.准确率: 0.88。

8.3影响因素分析

In?[34]:

feature_importances = rf_model.feature_importances_
features_rf = pd.DataFrame({'特征': x.columns, '重要度': feature_importances})
features_rf.sort_values(by='重要度', ascending=False, inplace=True)
features_rf

Out[34]:

	特征	重要度
5	blood_pressure	0.197288
18	extracurricular_activities	0.129251
19	bullying	0.119898
10	safety	0.112843
16	social_support	0.090272
6	sleep_quality	0.055914
3	depression	0.047566
15	future_career_concerns	0.046179
12	academic_performance	0.045168
13	study_load	0.033624
1	self_esteem	0.022273
0	anxiety_level	0.018850
4	headache	0.016429
8	noise_level	0.016109
7	breathing_problem	0.011192
11	basic_needs	0.009771
17	peer_pressure	0.008902
14	teacher_student_relationship	0.008055
9	living_conditions	0.007429
2	mental_health_history	0.002984

随机森林模型这边得到的影响因素前五为：血压问题、课外活动频率、霸凌问题、居住安全问题、社会支持度，其中血压问题不一定是导致学生压力大的原因，反而可能是学生压力大诱发了血压问题，这个模型不能解释因果关系，所以排除血压问题，认为课外活动频率、霸凌问题、安全问题、社会支持度也是主要影响学生压力的因素。

9.总结

本项目主要采取可视化分析探索数据，并且根据学生不同的压力水平进行差异分析，发现所有因素对于学生的压力水平都有显著的相关性，再通过KW检验，可以认为这些因素对学生的压力水平具有显著影响，或者说不同压力水平下，这些因素之间都有差异，最后建立了梯度提升机和随机森林模型，进一步探究这些因素的重要度，得到的结论如下：
1.在心理因素方面，压力水平与焦虑程度、心理健康病史、抑郁情况呈正相关，与自尊情况呈负相关。
2.在生理因素方面，压力水平与头痛问题、呼吸问题、呈正相关，与睡眠质量呈负相关，压力0级的学生血压问题反而比压力为1级的学生小。
3.在生活环境方面，噪音越大，压力也就越大；居住条件越差，压力也就越大；越不安全，压力也就越大；越能满足基本情况，压力越小。
4.在学习方面，学业表现越好，压力就越小；学业负担越大，压力越大；师生关系越好，学生的压力也就越小；对未来职业越担忧，学生的压力也就越大。
5.在社会方面，社会越支持，压力也就越小；同辈压力、课外活动频率、霸凌问题都与压力成正相关。
6.通过观察斯皮尔曼等级相关系数热力图，可以发现所有因素都与学生压力有线性相关关系，并且这些因素之间也存在很强的相关性。
7.通过KW检验，可以认为这些因素对学生的压力水平具有显著影响。
8.通过GBM模型，发现学业表现是影响学生压力的主要因素。
9.通过随机森林模型，可以发现课外活动频率、霸凌问题、安全问题、社会支持度也是主要影响学生压力的因素。