老规矩，先导入及设置各种参数。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

%matplotlib inline
%config InlineBackend.figure_format = 'retina'

df = pd.read_table('smoking_cancer.txt')
print(df.head())
print(df.describe())

  STATE    CIG  BLAD   LUNG   KID  LEUK
0    AL  18.20  2.90  17.05  1.59  6.15
1    AZ  25.82  3.52  19.80  2.75  6.61
2    AR  18.24  2.99  15.98  2.02  6.94
3    CA  28.60  4.46  22.07  2.66  7.06
4    CT  31.10  5.11  22.83  3.35  7.20
             CIG       BLAD       LUNG        KID       LEUK
count  44.000000  44.000000  44.000000  44.000000  44.000000
mean   24.914091   4.121136  19.653182   2.794545   6.829773
std     5.573286   0.964925   4.228122   0.519080   0.638259
min    14.000000   2.860000  12.010000   1.590000   4.900000
25%    21.230000   3.207500  16.437500   2.457500   6.532500
50%    23.765000   4.065000  20.320000   2.845000   6.860000
75%    28.097500   4.782500  22.807500   3.112500   7.207500
max    42.400000   6.540000  27.270000   4.320000   8.280000

1. 抽烟的趋势与分布

我是不抽烟的。我体会不了那抽的是寂寞的感觉。与其来一些烟的数据，来点酒的数据其实更和酒鬼东哥之意哈，不过估计这样的数据很难找……

先看看抽烟的大体情况。

plt.hist(df.CIG, bins=20,rwidth=0.9)

(array([ 1.,  1.,  3.,  0.,  4.,  7.,  7.,  1.,  5.,  4.,  6.,  1.,  1.,
         1.,  0.,  0.,  0.,  0.,  1.,  1.]),
 array([ 14.  ,  15.42,  16.84,  18.26,  19.68,  21.1 ,  22.52,  23.94,
         25.36,  26.78,  28.2 ,  29.62,  31.04,  32.46,  33.88,  35.3 ,
         36.72,  38.14,  39.56,  40.98,  42.4 ]),
 <a list of 20 Patch objects>)

output_2_1.png

说实话，这个分布很怪异……

比如说，19附近凭什么没有值？25左边凭什么就很少？难道大家都不约而同的跳过去了吗？

其实这是样本偏差的问题。我们可以看到

len(df)

44

统计学的一个基本原则是大数定律。规律只能在数据量大的时候显示其规律性，数越大结果越倾向于其期望。44个州的样本明显无法满足「大数」的要求，反而可以满足小数定律：

“如果统计数字很少，就很容易出现特别不均匀的情况。这个现象被诺贝尔经济学奖得主丹尼尔·卡尼曼戏称为“小数定律”。卡尼曼说如果我们不理解小数定律，我们就不能真正理解大数定律。
而小数定律说如果样本不够大，那么它就会表现为各种极端情况，而这些情况可能跟本性一点关系没有。”
—— Excerpt From: 万维钢(同人于野). “万万没想到:用理工科思维理解世界.”

so，我们还是继续往下分析罢。样本不够的情况下，这样的分析没有意义。

print('Median value of CIG is %.2f.' % df.CIG.median())
print('Mean value of CIG is %.2f.' % df.CIG.mean())
cig = df.CIG.copy()
cig.name = 'Cig'
plt.boxplot(cig, vert=False,labels=[cig.name])
print('STD value of CIG is %.2f.' % cig.std())

Median value of CIG is 23.77.
Mean value of CIG is 24.91.
STD value of CIG is 5.57.

output_6_1.png

好吧，这样依然看不出什么有意义的结果……话说做数据分析，背景知识很重要，要不然得到了分析结果也不知道代表了什么……

还是接着看看抽烟和疾病的关系吧，这个貌似不用太多的背景知识。

2. 抽烟与疾病的关系

依次对比一下各种疾病

print('The Correlation Value of CIG and disease is:')
print(df.corr())

The Correlation Value of CIG and disease is:
           CIG      BLAD      LUNG       KID      LEUK
CIG   1.000000  0.703622  0.697403  0.487390 -0.068481
BLAD  0.703622  1.000000  0.658501  0.358814  0.162157
LUNG  0.697403  0.658501  1.000000  0.282743 -0.151584
KID   0.487390  0.358814  0.282743  1.000000  0.188713
LEUK -0.068481  0.162157 -0.151584  0.188713  1.000000

plt.scatter(df.CIG, df.BLAD)
plt.show()

output_9_0.png

BLAD是膀胱癌，相关系数高达0.7，而且从图上明显可以看出有相关趋势。这让我感觉很尴尬，膀胱是贮尿器官，用来贮藏和排泄小便；抽烟按说最直接影响的应该是呼吸器官，比如气管、肺之类的啊……这个让人怎么解释？

plt.scatter(df.CIG, df.LUNG)
plt.show()

output_11_0.png

LUNG是肺癌，相关系数为0.69，按说也不错，只是有了前面的膀胱癌作比较，就未免尴尬了一些……

plt.scatter(df.CIG, df.KID)
plt.show()

output_13_0.png

KID是肾癌，相关系数0.48。从图上也能明显看出，肾癌的高发区域集中在CIG 20-30之间。但这个数据并不能说明什么，因为CIG 20-30之间的州本来就占了大多数

df2030 = df[(df.CIG > 20) & (df.CIG <30)]
print('The NO. of states between 20 and 30 is %i.' % len(df2030))
print('The NO. of total states is %i.' % len(df))
p = (len(df2030)*1.0)/(len(df)*1.0)*100.0
print('The percentage of df20-30 is %.2f%%.' % p)

The NO. of states between 20 and 30 is 33.
The NO. of total states is 44.
The percentage of df20-30 is 75.00%.

所以，这些数据说明不了太多东西。

plt.scatter(df.CIG, df.LEUK)
plt.show()

output_17_0.png

如果说前三个好歹还有点关联的话，最后这个 LEUK 白血病，和抽烟就干脆一点关系没有了，相关系数仅-0.068。不过在维基百科上查了查白血病此条，赫然发现

白血病发生的真正原因尚未知晓，目前相信环境与遗传因素都扮演了重要角色[5]。风险因子包括：吸烟、游离辐射、部分化学物质如苯、曾接受化疗、唐氏综合症、家族史有白血病。
白血病 - 维基百科，自由的百科全书

呃，这个……以我的水平，维基百科就等于科学结论，所以这个结果也让我很尴尬啊😓……

学点和现实相关的东西果然不是什么容易的事情。

最后，作为好事者，我看了看各种癌的数据有没有什么相关性。

df = df.drop('CIG',axis=1)
df.corr()

          BLAD      LUNG       KID      LEUK
BLAD  1.000000  0.658501  0.358814  0.162157
LUNG  0.658501  1.000000  0.282743 -0.151584
KID   0.358814  0.282743  1.000000  0.188713
LEUK  0.162157 -0.151584  0.188713  1.000000

按说一个人没法死于两个癌症，所以这个数据并什么用我也不知道……

不过还是可以分析出一些东西。从表中可以看出，BLAD 和 LUNG 的相关性比较高一点。考虑到这个数据是每州死因数据，是否可以认为，膀胱癌和肺癌可能有相似的诱因？维基百科了一下：

罹患膀胱癌最主要的危险因子是来自基因的影响，另外吸烟、长期接触某种染料（含苯胺（aniline）成分者，如纺织厂员工就可能接触到）、汽油或其他化学物质者也有较高的风险。
大多数（80-90%）肺癌患者患病的原因为长期吸烟，然而大约10-15%的患者从不吸烟，这部分人患上肺癌往往是由于遗传因素和吸入空气污染物共同导致，污染物包括氡气、石棉或其它形式的空气污染，包括二手烟。

排除基因和吸烟，更多更主要的因素貌似都在污染上。染料（含苯胺（aniline））汽油或其他化学物质者，氡气、石棉或其它形式的空气污染，差不多可以归为一类。

壮哉，我大中华，雾霾威武！