1.对数据进行处理（删除空白值，重复值等） 2.在不选择特征（不降维的情况下），利用LogisticsRegression、RandomForest、SVM 对数据进行建模。 3.利用PAC或者随机森林的特征重要性分析选择属性，达到降维的目的。 4.在确定重要属性后，再次构建模型，对比模型之间的差异。 5.最后得到关于适合本数据的模型，并可对未来数据进行预测，并为医院管理人员提出相关的建议这个思路的PP咋做

以下是一个基本的代码示例，演示如何执行上述操作。请注意，这只是一个示例，您需要根据您的数据集进行适当的修改和调整。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, classification_report
from sklearn.feature_selection import SelectFromModel
from sklearn.ensemble import ExtraTreesClassifier

# 读取数据
data = pd.read_csv('data.csv')

# 删除空白值和重复值
data = data.dropna()
data = data.drop_duplicates()

# 划分数据集
X = data.drop('target', axis=1)
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立模型
models = [LogisticRegression(), RandomForestClassifier(), SVC()]

for model in models:
    # 不选择特征，使用原始数据建模
    print(type(model).__name__, '--- without feature selection ---')
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    print('Accuracy:', accuracy)
    print(classification_report(y_test, y_pred, target_names=['class 0', 'class 1']))
    
    # 使用特征重要性分析进行特征选择
    if type(model).__name__ != 'SVC':
        print(type(model).__name__, '--- with feature selection ---')
        clf = ExtraTreesClassifier()
        clf.fit(X_train, y_train)
        feature_importances = pd.DataFrame(clf.feature_importances_, index=X_train.columns, columns=['importance'])
        feature_importances.sort_values(by='importance', ascending=False, inplace=True)
        print(feature_importances)
        sfm = SelectFromModel(clf, threshold='mean')
        sfm.fit(X_train, y_train)
        X_train_selected = sfm.transform(X_train)
        X_test_selected = sfm.transform(X_test)
        model.fit(X_train_selected, y_train)
        y_pred = model.predict(X_test_selected)
        accuracy = accuracy_score(y_test, y_pred)
        print('Accuracy:', accuracy)
        print(classification_report(y_test, y_pred, target_names=['class 0', 'class 1']))

此代码将：

1. 读取数据并删除空白值和重复值。
2. 将数据集划分为训练集和测试集。
3. 使用逻辑回归、随机森林和支持向量机等模型对原始数据进行建模，并计算精度和分类报告。
4. 对于每个模型，使用特征重要性分析进行特征选择，使用选定的特征重新建立模型，并计算精度和分类报告。

您可以根据需要修改此代码，例如，您可能需要对数据进行缩放或进行其他预处理步骤，或者您可能需要使用其他模型进行建模。此外，您还可以通过交叉验证等技术来更准确地评估模型性能。