全文鏈接：http://tecdat.cn/?p=32316

原文出處：拓端數(shù)據(jù)部落公眾號

我們常說的中藥挖掘，一般是用藥挖掘，還有穴位的挖掘，主要是想找出一些用藥的規(guī)律。在中醫(yī)挖掘中，數(shù)據(jù)的來源比較廣泛,有的是通過臨床收集用藥處方，比如，一個著名老中醫(yī)針對某一疾病的用藥情況;有的是通過古籍，古代流傳下來的藥方;還有一種情況是在論文數(shù)據(jù)框里查找專門治療某一疾病的文獻(xiàn)，從中找到處方，用來分析。

Apriori算法是一種最有影響的挖掘關(guān)聯(lián)規(guī)則頻繁項集的算法。其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則，Apriori 算法采用了逐層搜索的迭代的方法，算法簡單明了，沒有復(fù)雜的理論推導(dǎo)，也易于實現(xiàn)。

由于Apriori算法的特性，十分適合中藥處方、膏方、方劑的挖掘，甚至于穴位的挖掘。

本文幫助客戶得出不同處方的藥物組合和頻率，挖掘出藥方內(nèi)在的規(guī)律。

中藥處方數(shù)據(jù)

讀取數(shù)據(jù)

a_df3=read.xlsx("挖掘用.xlsx",startRow=0, colNames = F)

轉(zhuǎn)換數(shù)據(jù)結(jié)構(gòu)

a_list=list(0) ?for(i in 1:nrow(a_df3)){ ?? ?? ?##刪除事務(wù)中的重復(fù)項目?a_list[[i]]= unique(strsplit(a_df3[i,],",")[[1]])

將數(shù)據(jù)轉(zhuǎn)換成事務(wù)類型

trans2 <- as(a_list, "tran

查看每個商品的出現(xiàn)頻率

可以看到每個物品出現(xiàn)的頻率，從而判斷哪些物品的支持度較高。

關(guān)聯(lián)規(guī)則挖掘

藥對挖掘

at(dat1,parameter=list(support=0.3,minlen=2,maxle

得到頻繁規(guī)則挖掘

inspect(frequent

查看求得的頻繁項集

spect(sort(frequentsets,by="suppo

根據(jù)支持度對求得的頻繁項集排序并查看（等價于inspect(sort(frequentsets)[1:10]）。

建立模型

apriori(dat1,parame

設(shè)置支持度為0.01，置信度為0.3

summary(rules)#查看規(guī)則

查看部分規(guī)則

查看置信度 支持度和提升度

可視化

繪制不同規(guī)則圖形來表示支持度，置信度和提升度。

通過該圖可以看到規(guī)則前項和規(guī)則后項分別有哪些物品 以及每個物品的支持度大小，支持度越大則圓圈越大。

ules, method = NULL, ????? measure = "support", shading = "lift", int

從該圖可以看到支持度和置信度的關(guān)系，置信度越高提升度也越高。

從該圖可以看到支持度和置信度的關(guān)系，提升度越高置信度也越高。

ules, method="matrix3D", measure="lift

從上圖可以看到不同物品之間的關(guān)聯(lián)關(guān)系，圖中的點越大說明該物品的支持度越高，顏色越深說明該物品的提升度越高。

plot(rules, method="doubledecker" ) ?

查看最高的支持度樣本規(guī)則

ules::inspect(head(rules

查看最高置信度樣本規(guī)則

sort(rules, by="confidencnspect(head(rules

sort(rules, by="lift

得到有價值規(guī)則子集

rules,subset=confidence>0.3 & support>0.2 & lift>=1summary(x)

按照支持度排序

sort(x,by="support

按照置信度排序

inspect(sort(x,by="confide

對有價值的x集合進(jìn)行數(shù)據(jù)可視化。

method="grouped")

組合挖掘

at(dat1,parameter=list(support=0.22,minlen=3,maxle

得到頻繁規(guī)則挖掘

nspect(frequents

察看求得的頻繁項集

nspect(sort(frequentsets,by="sup

根據(jù)支持度對求得的頻繁項集排序并查看（等價于inspect(sort(frequentsets)[1:10]）

建立模型

apriori(dat1,parameter=list(support=0.24

設(shè)置支持度為0.01，置信度為0.3。

summary(rules)#查看規(guī)則

查看部分規(guī)則

查看置信度 支持度和提升度

可視化

從該圖可以看到支持度和置信度的關(guān)系，提升度越高置信度也越高。

查看最高的支持度樣本規(guī)則

查看最高置信度樣本規(guī)則

查看最高提升度樣本規(guī)則

confidence>0.3 & support>0.3 & lift>=1)??? #得到有價值規(guī)則子集summary(x)

aspect(sort(x,by="support"))??? #按照支持度排序##??? lhs??????????? rhs??? support?? confidence lift??? ?## 45 {川芎,黃芪} => {地龍} 0.3189655 0.7872340? 1.602090 ?## 43 {地龍,黃芪} => {川芎} 0.3189655 0.9024390? 1.586105 ?## 44 {川芎,地龍} => {黃芪} 0.3189655 0.8043478? 1.481021 ?## 42 {川芎,黃芪} => {當(dāng)歸} 0.3103448 0.7659574? 1.615474 ?## 41 {川芎,當(dāng)歸} => {黃芪} 0.3103448 0.8181818? 1.506494 ?## 40 {當(dāng)歸,黃芪} => {川芎} 0.3103448 0.8571429? 1.506494 ?## 37 {當(dāng)歸,地龍} => {川芎} 0.3017241 0.9210526? 1.618820 ?## 38 {川芎,當(dāng)歸} => {地龍} 0.3017241 0.7954545? 1.618820 ?## 39 {川芎,地龍} => {當(dāng)歸} 0.3017241 0.7608696? 1.604743pect(sort(x,by="confidence"))??? #按照置信度排序##??? lhs??????????? rhs??? support?? confidence lift??? ?## 37 {當(dāng)歸,地龍} => {川芎} 0.3017241 0.9210526? 1.618820 ?## 43 {地龍,黃芪} => {川芎} 0.3189655 0.9024390? 1.586105 ?## 40 {當(dāng)歸,黃芪} => {川芎} 0.3103448 0.8571429? 1.506494 ?## 41 {川芎,當(dāng)歸} => {黃芪} 0.3103448 0.8181818? 1.506494 ?## 44 {川芎,地龍} => {黃芪} 0.3189655 0.8043478? 1.481021 ?## 38 {川芎,當(dāng)歸} => {地龍} 0.3017241 0.7954545? 1.618820 ?## 45 {川芎,黃芪} => {地龍} 0.3189655 0.7872340? 1.602090 ?## 42 {川芎,黃芪} => {當(dāng)歸} 0.3103448 0.7659574? 1.615474 ?## 39 {川芎,地龍} => {當(dāng)歸} 0.3017241 0.7608696? 1.604743

對有價值的x集合進(jìn)行數(shù)據(jù)可視化

?最受歡迎的見解

1.Python中的Apriori關(guān)聯(lián)算法-市場購物籃分析

2.R語言繪制生存曲線估計|生存分析|如何R作生存曲線圖

3.用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘探索藥物配伍中的規(guī)律

4.通過Python中的Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘

5.用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘探索藥物配伍中的規(guī)律

6.采用SPSS Modeler的Web復(fù)雜網(wǎng)絡(luò)對所有腧穴進(jìn)行分析

7.R語言如何在生存分析與COX回歸中計算IDI，NRI指標(biāo)

8.R語言如何找到患者數(shù)據(jù)中具有差異的指標(biāo)？（PLS—DA分析）

9.R語言中的生存分析Survival analysis晚期肺癌患者4例