全文鏈接：http://tecdat.cn/?p=30605

最近我們被客戶要求撰寫關于中藥專利復方治療的研究報告，包括一些圖形和統(tǒng)計輸出。

應用關聯(lián)規(guī)則、聚類方法等數(shù)據(jù)挖掘技術分析治療的中藥專利復方組方配伍規(guī)律

方法檢索治療中藥專利復方，排除外用中藥及中西藥物合用的復方。最近我們被要求撰寫關于用藥規(guī)律的研究報告，包括一些圖形和統(tǒng)計輸出。對入選的中藥專利復方進行術語規(guī)范化等處理，抽取信息、建立表，應用數(shù)據(jù)分析軟件R對數(shù)據(jù)進行關聯(lián)規(guī)則分析，應用網(wǎng)絡分析軟件進行聚類分析。

查看數(shù)據(jù)

轉(zhuǎn)換成二值矩陣數(shù)據(jù)

colnames(data) <- paste0("X",1:ncol(data)) database <- NULLfor(i in 1:nrow(data)) { ?tmp <- integer(length(total_types))

建立apriori

plot(all_rules, method = "graph")

點擊標題查閱往期內(nèi)容

R語言用關聯(lián)規(guī)則和聚類模型挖掘處方數(shù)據(jù)探索藥物配伍中的規(guī)律

左右滑動查看更多

01

02

03

04

中藥專利復方中藥對的關聯(lián)規(guī)則分析

藥對是方劑配伍的基本形式，它反映了中藥之間相輔相成、相反相成、同類相從等配伍關系。藥對中的中藥在組方配伍時具有在處方中同時出現(xiàn)的特點，因此在關聯(lián)規(guī)則分析中，分析置信度較大且雙向關聯(lián)的規(guī)則即可得到藥對。?

根據(jù)置信度和支持度篩選強關聯(lián)規(guī)則

K-means均值網(wǎng)絡聚類分析

抑郁癥中藥專利復方中藥物之間形成了一個復雜的配伍關系網(wǎng)絡，關聯(lián)規(guī)則分析可以用來發(fā)現(xiàn)其中的藥對及強關聯(lián)規(guī)則，但隨著支持度和置信度閾值參數(shù)的降低，關聯(lián)規(guī)則大量涌現(xiàn)，使得其中的配伍規(guī)律變得難以分析，應用網(wǎng)絡聚類方法可以有效地發(fā)現(xiàn)其中的配伍規(guī)律。

#聚類類別號kmod$cluster

查看每個類別中的強關聯(lián)規(guī)則

聚類1

聚類2

配伍關系網(wǎng)絡的聚類分析結果顯示了抑郁癥治療中常用的中藥“社團”，反映了復方中一些配伍關系相對密切、固定的中藥聯(lián)合，臨床運用可以提高療效。

點擊文末?“閱讀原文”

獲取全文完整代碼數(shù)據(jù)資料。

本文選自《R語言APRIORI關聯(lián)規(guī)則、K-MEANS均值聚類數(shù)據(jù)挖掘中藥專利復方治療用藥規(guī)律網(wǎng)絡可視化》。

點擊標題查閱往期內(nèi)容

非線性混合效應 NLME模型對抗哮喘藥物茶堿動力學研究
Python面板時間序列數(shù)據(jù)預測：格蘭杰因果關系檢驗Granger causality test藥品銷售實例與可視化
R語言用關聯(lián)規(guī)則和聚類模型挖掘處方數(shù)據(jù)探索藥物配伍中的規(guī)律
用SPSS Modeler的Web復雜網(wǎng)絡對所有腧穴進行關聯(lián)規(guī)則分析
PYTHON在線零售數(shù)據(jù)關聯(lián)規(guī)則挖掘APRIORI算法數(shù)據(jù)可視化
R語言關聯(lián)規(guī)則模型(Apriori算法)挖掘雜貨店的交易數(shù)據(jù)與交互可視化
R語言關聯(lián)挖掘?qū)嵗ㄙ徫锘@分析）
python關聯(lián)規(guī)則學習：FP-Growth算法對藥品進行“菜籃子”分析
基于R的FP樹fp growth 關聯(lián)數(shù)據(jù)挖掘技術在煤礦隱患管理
python關聯(lián)規(guī)則學習：FP-Growth算法對藥品進行“菜籃子”分析
通過Python中的Apriori算法進行關聯(lián)規(guī)則挖掘
Python中的Apriori關聯(lián)算法-市場購物籃分析
R語言用關聯(lián)規(guī)則和聚類模型挖掘處方數(shù)據(jù)探索藥物配伍中的規(guī)律
在R語言中輕松創(chuàng)建關聯(lián)網(wǎng)絡
python主題建模可視化LDA和T-SNE交互式可視化
R語言時間序列數(shù)據(jù)指數(shù)平滑法分析交互式動態(tài)可視化
用R語言制作交互式圖表和地圖
如何用r語言制作交互可視化報告圖表K-means和層次聚類分析癌細胞系微陣列數(shù)據(jù)和樹狀圖可視化比較
KMEANS均值聚類和層次聚類：亞洲國家地區(qū)生活幸福質(zhì)量異同可視化分析和選擇最佳聚類數(shù)
PYTHON實現(xiàn)譜聚類算法和改變聚類簇數(shù)結果可視化比較
有限混合模型聚類FMM、廣義線性回歸模型GLM混合應用分析威士忌市場和研究專利申請數(shù)據(jù)
R語言多維數(shù)據(jù)層次聚類散點圖矩陣、配對圖、平行坐標圖、樹狀圖可視化城市宏觀經(jīng)濟指標數(shù)據(jù)
r語言有限正態(tài)混合模型EM算法的分層聚類、分類和密度估計及可視化
Python Monte Carlo K-Means聚類實戰(zhàn)研究
R語言k-Shape時間序列聚類方法對股票價格時間序列聚類
R語言對用電負荷時間序列數(shù)據(jù)進行K-medoids聚類建模和GAM回歸
R語言譜聚類、K-MEANS聚類分析非線性環(huán)狀數(shù)據(jù)比較
R語言實現(xiàn)k-means聚類優(yōu)化的分層抽樣(Stratified Sampling)分析各市鎮(zhèn)的人口
R語言聚類有效性：確定最優(yōu)聚類數(shù)分析IRIS鳶尾花數(shù)據(jù)和可視化Python、R對小說進行文本挖掘和層次聚類可視化分析案例
R語言k-means聚類、層次聚類、主成分（PCA）降維及可視化分析鳶尾花iris數(shù)據(jù)集
R語言有限混合模型(FMM,finite mixture model)EM算法聚類分析間歇泉噴發(fā)時間
R語言用溫度對城市層次聚類、kmean聚類、主成分分析和Voronoi圖可視化
R語言k-Shape時間序列聚類方法對股票價格時間序列聚類
R語言中的SOM(自組織映射神經(jīng)網(wǎng)絡)對NBA球員聚類分析
R語言復雜網(wǎng)絡分析：聚類（社區(qū)檢測）和可視化
R語言中的劃分聚類模型
基于模型的聚類和R語言中的高斯混合模型
r語言聚類分析：k-means和層次聚類
SAS用K-Means 聚類最優(yōu)k值的選取和分析
用R語言進行網(wǎng)站評論文本挖掘聚類
基于LDA主題模型聚類的商品評論文本挖掘
R語言鳶尾花iris數(shù)據(jù)集的層次聚類分析
R語言對用電負荷時間序列數(shù)據(jù)進行K-medoids聚類建模和GAM回歸
R語言聚類算法的應用實例