我们常说的中药挖掘，一般是用药挖掘，还有穴位的挖掘，主要是想找出一些用药的规律。
在中医挖掘中，数据的来源比较广泛,有的是通过临床收集用药处方，比如，一个著名老中医针对某一疾病的用药情况;有的是通过古籍，古代流传下来的药方
还有一种情况是在论文数据框里查找专门治疗某一疾病的文献，从中找到处方，用来分析。
×
从国家资助的相关研究来看,代表性的有2010年国家自然基金资助数据挖掘研究项目共66项。其中，资助西医类一项:基于多模式序列超声图像识别系统诊断乳腺癌的方法学研究(哈尔滨医科大学);资助中医类四项:应用数据挖掘技术研究中医药治疗再生障碍性贫血的组方规律(中国人民解放军第210医院);基于智能计算的中医方剂基础治法模型的构建(北京中医药大学);基于数据挖掘的针灸法效应特异性基本规律及特点的研究(河北医科大学);中药新药有效核心处方发现的随机对照盲法设计方法研究(中国中医科学院中医临床基础医学研究所)。如何面对方剂理论体系的复杂性，尤其是海量的信息特点,以及方剂的效应评价多靶点的特征,使得数据挖掘在方剂研究领域中越来越显重要,也是国家自然基金重点资助的课题。提高挖掘技术针对性和适用性,对集成方剂文献信息、评价方剂效应以及中医药知识发现具有重要作用。
Apriori算法是一种最有影响的挖掘关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。
该关联规则在分类上属于单维、单层、布尔关联规则，Apriori 算法采用了逐层搜索的迭代的方法，算法简单明了，没有复杂的理论推导，也易于实现。
由于Apriori算法的特性，十分适合中药处方、膏方、方剂的挖掘，甚至于穴位的挖掘。
本文帮助客户得出不同处方的药物组合和频率，挖掘出药方内在的规律。
中药处方数据
读取数据
a_df3=read.xlsx("挖掘用.xlsx",startRow=0, colNames = F)
转换数据结构
a_list=list(0)
for(i in 1:nrow(a_df3)){
##删除事务中的重复项目
a_list[[i]]= unique(strsplit(a_df3[i,],",")[[1]])
将数据转换成事务类型
trans2 <- as(a_list, "tran
查看每个商品的出现频率
可以看到每个物品出现的频率，从而判断哪些物品的支持度较高。
关联规则挖掘
药对挖掘
at(dat1,parameter=list(support=0.3,minlen=2,maxle
得到频繁规则挖掘
inspect(frequent
随时关注您喜欢的主题
查看求得的频繁项集
spect(sort(frequentsets,by="suppo
根据支持度对求得的频繁项集排序并查看（等价于inspect(sort(frequentsets)[1:10]）。
建立模型
apriori(dat1,parame
设置支持度为0.01，置信度为0.3
summary(rules)#查看规则
查看部分规则
查看置信度 支持度和提升度
可视化
绘制不同规则图形来表示支持度，置信度和提升度。
通过该图可以看到规则前项和规则后项分别有哪些物品 以及每个物品的支持度大小，支持度越大则圆圈越大。
ules, method = NULL,
measure = "support", shading = "lift", int
从该图可以看到支持度和置信度的关系，置信度越高提升度也越高。
从该图可以看到支持度和置信度的关系，提升度越高置信度也越高。
ules, method="matrix3D", measure="lift
从上图可以看到不同物品之间的关联关系，图中的点越大说明该物品的支持度越高，颜色越深说明该物品的提升度越高。
plot(rules, method="doubledecker" )
查看最高的支持度样本规则
ules::inspect(head(rules
查看最高置信度样本规则
sort(rules, by="confidenc
nspect(head(rules
sort(rules, by="lift
得到有价值规则子集
rules,subset=confidence>0.3 & support>0.2 & lift>=1
summary(x)
按照支持度排序
sort(x,by="support
按照置信度排序
inspect(sort(x,by="confide
对有价值的x集合进行数据可视化。
method="grouped")
组合挖掘
at(dat1,parameter=list(support=0.22,minlen=3,maxle
得到频繁规则挖掘
nspect(frequents
察看求得的频繁项集
nspect(sort(frequentsets,by="sup
根据支持度对求得的频繁项集排序并查看（等价于inspect(sort(frequentsets)[1:10]）
建立模型
apriori(dat1,parameter=list(support=0.24
设置支持度为0.01，置信度为0.3。
summary(rules)#查看规则
查看部分规则
查看置信度 支持度和提升度
可视化
从该图可以看到支持度和置信度的关系，提升度越高置信度也越高。
查看最高的支持度样本规则
查看最高置信度样本规则
查看最高提升度样本规则
confidence>0.3 & support>0.3 & lift>=1) #得到有价值规则子集
summary(x)
aspect(sort(x,by="support")) #按照支持度排序
## lhs rhs support confidence lift
## 45 {川芎,黄芪} => {地龙} 0.3189655 0.7872340 1.602090
## 43 {地龙,黄芪} => {川芎} 0.3189655 0.9024390 1.586105
## 44 {川芎,地龙} => {黄芪} 0.3189655 0.8043478 1.481021
## 42 {川芎,黄芪} => {当归} 0.3103448 0.7659574 1.615474
## 41 {川芎,当归} => {黄芪} 0.3103448 0.8181818 1.506494
## 40 {当归,黄芪} => {川芎} 0.3103448 0.8571429 1.506494
## 37 {当归,地龙} => {川芎} 0.3017241 0.9210526 1.618820
## 38 {川芎,当归} => {地龙} 0.3017241 0.7954545 1.618820
## 39 {川芎,地龙} => {当归} 0.3017241 0.7608696 1.604743
pect(sort(x,by="confidence")) #按照置信度排序
## lhs rhs support confidence lift
## 37 {当归,地龙} => {川芎} 0.3017241 0.9210526 1.618820
## 43 {地龙,黄芪} => {川芎} 0.3189655 0.9024390 1.586105
## 40 {当归,黄芪} => {川芎} 0.3103448 0.8571429 1.506494
## 41 {川芎,当归} => {黄芪} 0.3103448 0.8181818 1.506494
## 44 {川芎,地龙} => {黄芪} 0.3189655 0.8043478 1.481021
## 38 {川芎,当归} => {地龙} 0.3017241 0.7954545 1.618820
## 45 {川芎,黄芪} => {地龙} 0.3189655 0.7872340 1.602090
## 42 {川芎,黄芪} => {当归} 0.3103448 0.7659574 1.615474
## 39 {川芎,地龙} => {当归} 0.3017241 0.7608696 1.604743
SPSS modeler关联规则、卡方模型探索北京平谷大桃产业发展与电商化研究
R语言、WEKA关联规则、决策树、聚类、回归分析工业企业创新情况影响因素数据
SPSS modeler用关联规则Apriori模型对笔记本电脑购买事务销量研究
WEKA关联规则挖掘Apriori算法在学生就业数据中的应用
