Terveysongelmien jakautuminen muuttuvassa maailmassa

The Global Burden of Disease on suuri maailmanlaajuinen tutkimus, jossa tutkittiin kuolleisuutta ja sairauksia arvioimalla erilaisia syitä ja ja riskitekijöitä. Tutkimuksen tulokset julkaistiin lääketieteen The Lancet -huippulehdessä vuonna 2021. Tähän datasettiin on kerätty tiedot eri riskitekijöiden mahdollisesti aiheuttamista kuolemista muutaman viimeisen vuosikymmenen ajalta.

Ilmanlaadulla on suuri vaikutus ihmisten terveyteen, ja ilmanlaatua voidaankin tarkastella erikseen myös ulkoilman sekä sisäilman osalta. On yleistä, että etenkin matalamman tulotason maissa ruuanlaitossa ja lämmityksessä käytetään kiinteitä polttoaineita, kuten satojätteitä, lantaa, puuta ja hiiltä, joiden polttaminen synnyttää aerosolipäästöjä ja siten heikentää sisäilmanlaatua. Näitä kiinteitä polttoaineita käytetään, koska parempia vaihtoehtoja joko ei ole saatavilla tai ne ovat liian kalliita.

Alkuperäiseen aineistoon pääsee kirjautumalla sivulle https://vizhub.healthdata.org/gbd-results/, mutta aineistoja saa myös visualisoitua näppärästi Our World in Data -sivuston kautta osoitteessa https://ourworldindata.org/grapher/number-of-deaths-by-risk-factor.

Tämän harjoitteen kannalta lähdemme kuitenkin kokeilemaan vähän omakätisemmin aineiston käsittelyä.

1. Työkalut

# Aja tämä solu ensin.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

2. Aineisto

Alla oleva GBD-aineisto kattaa noin vuodet 1990-2019.

data = pd.read_csv('https://raw.githubusercontent.com/opendata-education/Tyopajat/main/materiaali/data/number-of-deaths-by-risk-factor.csv')

# Vilkaistaan yleisesti materiaalin muotoa.
data

	Entity	Code	Year	Outdoor air pollution	High systolic blood pressure	Diet high in sodium	Diet low in whole grains	Alcohol use	Diet low in fruits	Unsafe water source	...	High body-mass index	Unsafe sanitation	No access to handwashing facility	Drug use	Low bone mineral density	Vitamin A deficiency	Child stunting	Discontinued breastfeeding	Non-exclusive breastfeeding	Iron deficiency
0	Afghanistan	AFG	1990	3169	25633	1045	7077	356	3185	3702	...	9518	2798	4825	174	389	2016	7686	107	2216	564
1	Afghanistan	AFG	1991	3222	25872	1055	7149	364	3248	4309	...	9489	3254	5127	188	389	2056	7886	121	2501	611
2	Afghanistan	AFG	1992	3395	26309	1075	7297	376	3351	5356	...	9528	4042	5889	211	393	2100	8568	150	3053	700
3	Afghanistan	AFG	1993	3623	26961	1103	7499	389	3480	7152	...	9611	5392	7007	232	411	2316	9875	204	3726	773
4	Afghanistan	AFG	1994	3788	27658	1134	7698	399	3610	7192	...	9675	5418	7421	247	413	2665	11031	204	3833	812
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
6835	Zimbabwe	ZWE	2015	2835	11483	1063	1354	4854	1820	4336	...	5636	2879	4328	1068	407	138	730	21	734	282
6836	Zimbabwe	ZWE	2016	2781	11663	1082	1383	4915	1854	4244	...	5849	2798	4295	1042	415	101	674	20	700	275
6837	Zimbabwe	ZWE	2017	2700	11819	1098	1409	4992	1883	4193	...	6047	2744	4251	1007	424	82	629	19	678	267
6838	Zimbabwe	ZWE	2018	2669	12002	1117	1439	5044	1917	4013	...	6248	2608	4153	969	434	85	607	17	644	261
6839	Zimbabwe	ZWE	2019	2680	12241	1140	1475	5156	1960	3914	...	6475	2531	4113	963	438	81	585	16	631	259

6840 rows × 31 columns

Huomaamme, että aineistossa on tuhansia rivejä ja enemmän sarakkeita kuin mahtuu helposti näkyviin. Kaivetaan niiden sisällöt esiin helpommin luettaviksi listoiksi.

# Luetellaan uniikit alueet, jotka Entity-sarake sisältää.
data["Entity"].unique()

array(['Afghanistan', 'African Region (WHO)', 'Albania', 'Algeria',
       'American Samoa', 'Andorra', 'Angola', 'Antigua and Barbuda',
       'Argentina', 'Armenia', 'Australia', 'Austria', 'Azerbaijan',
       'Bahamas', 'Bahrain', 'Bangladesh', 'Barbados', 'Belarus',
       'Belgium', 'Belize', 'Benin', 'Bermuda', 'Bhutan', 'Bolivia',
       'Bosnia and Herzegovina', 'Botswana', 'Brazil', 'Brunei',
       'Bulgaria', 'Burkina Faso', 'Burundi', 'Cambodia', 'Cameroon',
       'Canada', 'Cape Verde', 'Central African Republic', 'Chad',
       'Chile', 'China', 'Colombia', 'Comoros', 'Congo', 'Cook Islands',
       'Costa Rica', "Cote d'Ivoire", 'Croatia', 'Cuba', 'Cyprus',
       'Czechia', 'Democratic Republic of Congo', 'Denmark', 'Djibouti',
       'Dominica', 'Dominican Republic', 'East Asia & Pacific (WB)',
       'Eastern Mediterranean Region (WHO)', 'Ecuador', 'Egypt',
       'El Salvador', 'England', 'Equatorial Guinea', 'Eritrea',
       'Estonia', 'Eswatini', 'Ethiopia', 'Europe & Central Asia (WB)',
       'European Region (WHO)', 'Fiji', 'Finland', 'France', 'G20',
       'Gabon', 'Gambia', 'Georgia', 'Germany', 'Ghana', 'Greece',
       'Greenland', 'Grenada', 'Guam', 'Guatemala', 'Guinea',
       'Guinea-Bissau', 'Guyana', 'Haiti', 'Honduras', 'Hungary',
       'Iceland', 'India', 'Indonesia', 'Iran', 'Iraq', 'Ireland',
       'Israel', 'Italy', 'Jamaica', 'Japan', 'Jordan', 'Kazakhstan',
       'Kenya', 'Kiribati', 'Kuwait', 'Kyrgyzstan', 'Laos',
       'Latin America & Caribbean (WB)', 'Latvia', 'Lebanon', 'Lesotho',
       'Liberia', 'Libya', 'Lithuania', 'Luxembourg', 'Madagascar',
       'Malawi', 'Malaysia', 'Maldives', 'Mali', 'Malta',
       'Marshall Islands', 'Mauritania', 'Mauritius', 'Mexico',
       'Micronesia (country)', 'Middle East & North Africa (WB)',
       'Moldova', 'Monaco', 'Mongolia', 'Montenegro', 'Morocco',
       'Mozambique', 'Myanmar', 'Namibia', 'Nauru', 'Nepal',
       'Netherlands', 'New Zealand', 'Nicaragua', 'Niger', 'Nigeria',
       'Niue', 'North America (WB)', 'North Korea', 'North Macedonia',
       'Northern Ireland', 'Northern Mariana Islands', 'Norway',
       'OECD Countries', 'Oman', 'Pakistan', 'Palau', 'Palestine',
       'Panama', 'Papua New Guinea', 'Paraguay', 'Peru', 'Philippines',
       'Poland', 'Portugal', 'Puerto Rico', 'Qatar',
       'Region of the Americas (WHO)', 'Romania', 'Russia', 'Rwanda',
       'Saint Kitts and Nevis', 'Saint Lucia',
       'Saint Vincent and the Grenadines', 'Samoa', 'San Marino',
       'Sao Tome and Principe', 'Saudi Arabia', 'Scotland', 'Senegal',
       'Serbia', 'Seychelles', 'Sierra Leone', 'Singapore', 'Slovakia',
       'Slovenia', 'Solomon Islands', 'Somalia', 'South Africa',
       'South Asia (WB)', 'South Korea', 'South Sudan',
       'South-East Asia Region (WHO)', 'Spain', 'Sri Lanka',
       'Sub-Saharan Africa (WB)', 'Sudan', 'Suriname', 'Sweden',
       'Switzerland', 'Syria', 'Taiwan', 'Tajikistan', 'Tanzania',
       'Thailand', 'Timor', 'Togo', 'Tokelau', 'Tonga',
       'Trinidad and Tobago', 'Tunisia', 'Turkey', 'Turkmenistan',
       'Tuvalu', 'Uganda', 'Ukraine', 'United Arab Emirates',
       'United Kingdom', 'United States', 'United States Virgin Islands',
       'Uruguay', 'Uzbekistan', 'Vanuatu', 'Venezuela', 'Vietnam',
       'Wales', 'Western Pacific Region (WHO)', 'World',
       'World Bank High Income', 'World Bank Low Income',
       'World Bank Lower Middle Income', 'World Bank Upper Middle Income',
       'Yemen', 'Zambia', 'Zimbabwe'], dtype=object)

# Samaten listataan kaikki sarakkeiden nimet, jotta tiedämme mitä alamme kutsumaan.
data.columns

Index(['Entity', 'Code', 'Year', 'Outdoor air pollution',
       'High systolic blood pressure', 'Diet high in sodium',
       'Diet low in whole grains', 'Alcohol use', 'Diet low in fruits',
       'Unsafe water source', 'Secondhand smoke', 'Low birth weight',
       'Child wasting', 'Unsafe sex', 'Diet low in nuts and seeds',
       'Household air pollution from solid fuels', 'Diet low in vegetables',
       'Low physical activity', 'Smoking', 'High fasting plasma glucose',
       'Air pollution (indoor and outdoor)', 'High body-mass index',
       'Unsafe sanitation', 'No access to handwashing facility', 'Drug use',
       'Low bone mineral density', 'Vitamin A deficiency', 'Child stunting',
       'Discontinued breastfeeding', 'Non-exclusive breastfeeding',
       'Iron deficiency'],
      dtype='object')

3. Analyysi

Nyt tiedämme alustavasti, mitä maita ja suureita tarkastelemamme aineisto sisältää. Tältä pohjalta pystymme rajaamaan käsittelemäämme tietoa relevantteihin palasiin kulloisenkin mielenkiinnonkohteemme mukaan.

# Valitaan yksittäinen alue uudeksi muuttujaksi. Voit vaihtaa aluetta vapaasti.
# Tämän harjoituksen monet muut solut nojaavat tässä tehtyyn valintaan.
valinta = data.query('Entity == "European Region (WHO)"')

# Tässä korjataan alkuperäiset rivi-indeksit pois ihan vain estetiikan nimissä.
valinta = valinta.reset_index(drop = True)

valinta

	Entity	Code	Year	Outdoor air pollution	High systolic blood pressure	Diet high in sodium	Diet low in whole grains	Alcohol use	Diet low in fruits	Unsafe water source	...	High body-mass index	Unsafe sanitation	No access to handwashing facility	Drug use	Low bone mineral density	Vitamin A deficiency	Child stunting	Discontinued breastfeeding	Non-exclusive breastfeeding	Iron deficiency
0	European Region (WHO)	NaN	1990	627103	2399430	312367	518009	502397	194493	13734	...	947836	10984	12806	42225	53617	774	11598	669	14556	763
1	European Region (WHO)	NaN	1991	630469	2425069	314023	527129	517232	198575	13177	...	970124	10518	12236	45555	53913	682	10835	634	13604	736
2	European Region (WHO)	NaN	1992	637868	2470630	320816	541122	544850	205295	12801	...	1002549	10197	11909	49690	54223	624	10277	609	12942	701
3	European Region (WHO)	NaN	1993	665431	2595573	335194	573947	591738	220395	12479	...	1068318	9907	11825	55494	55692	578	9815	583	12411	676
4	European Region (WHO)	NaN	1994	679027	2666193	343373	592942	628806	229482	12398	...	1113091	9785	11757	60581	56235	540	9452	565	12009	660
5	European Region (WHO)	NaN	1995	673676	2653770	340485	590665	636013	228384	11753	...	1118495	9212	11421	63240	55798	501	8929	527	11349	636
6	European Region (WHO)	NaN	1996	653195	2602671	332560	577267	624779	222702	10900	...	1105445	8447	10915	63854	54641	459	8290	479	10570	576
7	European Region (WHO)	NaN	1997	634043	2554006	324987	564840	612303	217502	10182	...	1096584	7786	10433	62888	53518	403	7616	440	9864	540
8	European Region (WHO)	NaN	1998	616400	2517902	316431	556326	612386	213877	9372	...	1092381	7054	9918	62759	53266	348	6895	401	9086	503
9	European Region (WHO)	NaN	1999	617364	2556348	317654	566083	636629	218825	8523	...	1122999	6310	9475	67459	54229	292	6156	363	8296	497
10	European Region (WHO)	NaN	2000	609463	2555912	316765	566970	659411	219791	7653	...	1136318	5583	9000	70816	54864	244	5447	322	7488	461
11	European Region (WHO)	NaN	2001	601779	2554402	315927	566321	677040	218833	6726	...	1148543	4822	8515	71514	55734	192	4789	280	6681	418
12	European Region (WHO)	NaN	2002	604099	2581706	318211	572631	703045	220084	5917	...	1174565	4142	8185	72755	56809	169	4235	241	5933	389
13	European Region (WHO)	NaN	2003	599531	2581306	318183	572008	725002	218842	5056	...	1191221	3512	7807	75424	57585	141	3768	197	5257	357
14	European Region (WHO)	NaN	2004	582291	2517004	310301	557985	731485	212341	4382	...	1179492	3005	7328	77534	56810	94	3332	165	4720	320
15	European Region (WHO)	NaN	2005	582573	2532746	313011	561388	759252	212854	3935	...	1201556	2678	7124	83882	57498	74	2999	141	4293	309
16	European Region (WHO)	NaN	2006	565710	2447899	301339	540365	731117	202266	3689	...	1171432	2499	6769	83565	56942	63	2755	126	4009	291
17	European Region (WHO)	NaN	2007	564401	2411406	295412	531363	714660	196496	3462	...	1166489	2327	6510	84676	57343	55	2539	113	3743	281
18	European Region (WHO)	NaN	2008	569086	2403801	293866	528964	708224	193478	3288	...	1175383	2196	6329	86530	58248	50	2347	105	3502	273
19	European Region (WHO)	NaN	2009	562023	2350346	287544	514846	676736	185572	3086	...	1160346	2059	6068	84485	58054	47	2194	98	3289	278
20	European Region (WHO)	NaN	2010	560071	2343907	286565	512171	662632	183019	2943	...	1166499	1952	5900	84791	58898	44	2045	91	3083	247
21	European Region (WHO)	NaN	2011	543822	2293863	279599	500596	627842	176545	2829	...	1150167	1851	5731	83771	59320	41	1940	86	2937	238
22	European Region (WHO)	NaN	2012	530307	2284427	278073	496883	610660	173793	2780	...	1154882	1788	5699	83729	60756	36	1851	84	2842	218
23	European Region (WHO)	NaN	2013	511590	2265253	274661	491663	595735	170820	2736	...	1156417	1723	5673	82916	61742	33	1741	79	2695	219
24	European Region (WHO)	NaN	2014	494212	2260280	275670	488361	588698	168830	2674	...	1165547	1656	5662	85173	62569	30	1634	74	2548	222
25	European Region (WHO)	NaN	2015	491367	2312963	280221	500986	594439	172750	2599	...	1201639	1577	5721	87578	65053	26	1513	68	2369	219
26	European Region (WHO)	NaN	2016	467151	2301978	278169	497345	583706	170686	2517	...	1203119	1506	5637	87567	65635	24	1394	63	2212	210
27	European Region (WHO)	NaN	2017	450446	2291072	276585	495289	574298	168768	2424	...	1202591	1438	5499	85183	65636	22	1278	58	2047	204
28	European Region (WHO)	NaN	2018	455291	2327370	280305	503720	577701	170613	2337	...	1223266	1373	5415	84878	66717	21	1197	55	1939	199
29	European Region (WHO)	NaN	2019	460353	2360893	283323	510860	583873	171882	2263	...	1243937	1315	5357	84757	67787	19	1115	52	1834	195

30 rows × 31 columns

Yksinkertaisimmillaan haluaisimme jonkin kiinnostavan suureen kuvaajaksi. Otetaan yksi sarake tietoa ja kuvataan se aika-akselin kanssa.

plt.plot(valinta["Year"], valinta["Alcohol use"])
plt.show()

Hyvässä kuvaajassa on toki selitteet mukana, eli lisätään vähän tarkkuutta.

# Asetetaan mittasuhteet.
plt.figure(figsize = (10,5))

# Piirretään käyrät.
plt.plot(valinta["Year"], valinta["Alcohol use"], label = "Alkoholi", color = "green")

# Määritetään selitteet.
plt.title("Alkoholinkäytön aiheuttamat kuolemat valitulla alueella \n", fontsize = 20)
plt.ylabel("Kuolleet (n)", fontsize = 15)
plt.xlabel("\n Vuosi", fontsize = 15)
plt.legend(fontsize = 15)

# Näytetään tuotos.
plt.show()

Meidän ei toki tarvitse rajoittua yhteen suureeseen, vaan voimme piirtää niitä useampia rinnakkain samaan kuvaan. Voimme samalla huomata tehokkaan tietojenkäsittelijän olevan hieman laiska, eli kirjoittavan koodiaan sellaisella tavalla jossa muutettavia nimiä tarvitsee muuttaa vain yhdessä kohtaa. Kirjoittamalla suureisiin eri sarakeotsikoiden nimiä voit helposti vaihtaa kuvaajan sisältöä.

# Valitaan tarkasteltavat suureet
suure1 = "Outdoor air pollution"
suure2 = "Household air pollution from solid fuels"
suure3 = "Air pollution (indoor and outdoor)"

a = valinta[suure1]
b = valinta[suure2]
c = valinta[suure3]
aika = valinta["Year"]

# Mittasuhteet.
plt.figure(figsize = (10,5))

# Piirrellään kuvaajia.
plt.plot(aika, a, label = suure1)
plt.plot(aika, b, label = suure2)
plt.plot(aika, c, label = suure3)

# Määritetään selitteet.
plt.title("Eri syistä seuranneet kuolemat valitulla alueella \n", fontsize = 20)
plt.ylabel("Kuolleet (n)", fontsize = 15)
plt.xlabel("\n Vuosi", fontsize = 15)
plt.legend(fontsize = 15)

plt.legend()
plt.show()

Kuvaajan ohella saattaisimme haluta tarkastella yksittäisen vuoden tietoja helpommin luettavassa muodossa. Tätä varten jatkamme aineiston paloittelua ehtolauseilla, kuten vuosiluvun vastaavuudella.

# Vaihda tästä haluamasi vuosiluku.
vuosi = 1990

tiedot = valinta.query('Year == @vuosi')
tiedot

	Entity	Code	Year	Outdoor air pollution	High systolic blood pressure	Diet high in sodium	Diet low in whole grains	Alcohol use	Diet low in fruits	Unsafe water source	...	High body-mass index	Unsafe sanitation	No access to handwashing facility	Drug use	Low bone mineral density	Vitamin A deficiency	Child stunting	Discontinued breastfeeding	Non-exclusive breastfeeding	Iron deficiency
0	European Region (WHO)	NaN	1990	627103	2399430	312367	518009	502397	194493	13734	...	947836	10984	12806	42225	53617	774	11598	669	14556	763

1 rows × 31 columns

Yllä näkyvä rivi on yhä dataframe-muodossa. Repäistään rivi irti luettavaksi hieman yksinkertaisempana oliona.

# Otetaan halutulla rivillä olleet tiedot, nyt vain neljännestä sarakkeesta eteenpäin.
rivi = tiedot.iloc[0][3:]
print(rivi)

Outdoor air pollution                        627103
High systolic blood pressure                2399430
Diet high in sodium                          312367
Diet low in whole grains                     518009
Alcohol use                                  502397
Diet low in fruits                           194493
Unsafe water source                           13734
Secondhand smoke                             208726
Low birth weight                             106917
Child wasting                                 66633
Unsafe sex                                    49293
Diet low in nuts and seeds                   194706
Household air pollution from solid fuels     128366
Diet low in vegetables                       103560
Low physical activity                        181820
Smoking                                     1639113
High fasting plasma glucose                  879141
Air pollution (indoor and outdoor)           751288
High body-mass index                         947836
Unsafe sanitation                             10984
No access to handwashing facility             12806
Drug use                                      42225
Low bone mineral density                      53617
Vitamin A deficiency                            774
Child stunting                                11598
Discontinued breastfeeding                      669
Non-exclusive breastfeeding                   14556
Iron deficiency                                 763
Name: 0, dtype: object

Ylläoleva tuotos on sinänsä selkeä, mutta jos meillä olisi vaikkapa tuhat tarkempaa saraketta, meidän pitäisi silti järjestellä asioita uudelleen. Laitetaan tiedot suuruusjärjestykseen.

jarjestys = rivi.sort_values(ascending=False)
print(jarjestys)

High systolic blood pressure                2399430
Smoking                                     1639113
High body-mass index                         947836
High fasting plasma glucose                  879141
Air pollution (indoor and outdoor)           751288
Outdoor air pollution                        627103
Diet low in whole grains                     518009
Alcohol use                                  502397
Diet high in sodium                          312367
Secondhand smoke                             208726
Diet low in nuts and seeds                   194706
Diet low in fruits                           194493
Low physical activity                        181820
Household air pollution from solid fuels     128366
Low birth weight                             106917
Diet low in vegetables                       103560
Child wasting                                 66633
Low bone mineral density                      53617
Unsafe sex                                    49293
Drug use                                      42225
Non-exclusive breastfeeding                   14556
Unsafe water source                           13734
No access to handwashing facility             12806
Child stunting                                11598
Unsafe sanitation                             10984
Vitamin A deficiency                            774
Iron deficiency                                 763
Discontinued breastfeeding                      669
Name: 0, dtype: object

Erinomaista, olemme nyt siis saaneet listattua tietyn valitsemamme alueen tietyn vuoden tärkeimmät kuolemaan johtaneet riskitekijät. Mutta entä jos pyrkisimme automatisoimaan tällaista maksimiarvon etsimistä vielä hieman? Voisimme laittaa tietokoneen ilmoittamaan meille esimerkiksi seuraavaa:

print(f"Vuoden {vuosi} suurin vaikutus oli {str(rivi.max())}, kohdassa '{str(rivi.idxmax())}'.")

Vuoden 1990 suurin vaikutus oli 2399430, kohdassa 'High systolic blood pressure'.

Luvut saattavat olla myös joskus helpommin hahmotettavissa toisella tavoin kuvattuina.

plt.figure(figsize = (15,5))
ax = jarjestys.plot.barh()
ax.bar_label(ax.containers[0], padding = 3)
plt.title(f"Kuolemaan johtaneet riskitekijät valitulla alueella {vuosi} \n", fontsize = 20)
plt.xlabel("\n Kuolleisuus (miljoonaa ihmistä)", fontsize = (15))
plt.show()

Tee itse!

Voit vapaasti vaihdella ylläolevia alue- tai riskitekijäsarakevalintojen nimiä ja ajaa koodia uudelleen. Tai voit kirjoittaa omaa koodiasi, joko tähän alle tai lisäilemällä soluja halusi mukaan pitkin matkaa. Alla on muutamia kiinnostavia mahdollisuuksia tutkiskeltaviksi:

• Vertaile yksittäisen valtion tuloksia omaan maanosaansa (Suomi vs. Eurooppa, Angola vs. Afrikka jne.).

• Vertaile taloudellisesti kehittyneitä valtioita köyhempiin valtioihin (Saksa vs. Zimbabwe, Yhdysvallat vs. Intia jne.).

• Vertaile ilmastoltaan erilaisten alueiden kärkitekijöitä toisiinsa (Norja vs. Irak).

• Tutki miten yksittäisen valtion riskitekijöiden kehitys on kulkenut 30 vuoden aikana.

# Koodaile tähän. Lisää soluja saa plusnapista tai b-näppäimellä kun et ole aktiivisen solun sisällä.