R语言Apriori算法关联规则对中药用药复方配伍规律药方挖掘可视化

By R语言辅导, 医药生物, 可视化和设计, 大数据部落, 技术支持, 数理统计, 期刊论文发表投稿, 计算机科学CS辅导, 计算机科学与技术, , , , , ,

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

WeChat Tencent QQ email print

由Kaizong Ye，Liao Bao撰写

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。

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

image.png

读取数据

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

可下载资源

     完整程序、数据和文档（word）

最受欢迎的见解

1.Python中的Apriori关联算法-市场购物篮分析

2.R语言绘制生存曲线估计|生存分析|如何R作生存曲线图

3.用关联规则数据挖掘探索药物配伍中的规律

4.通过Python中的Apriori算法进行关联规则挖掘

5.用关联规则数据挖掘探索药物配伍中的规律

6.采用SPSS Modeler的Web复杂网络对所有腧穴进行分析

7.R语言如何在生存分析与COX回归中计算IDI，NRI指标

8.R语言如何找到患者数据中具有差异的指标？（PLS—DA分析）

9.R语言中的生存分析Survival analysis晚期肺癌患者4例

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]])
image.png

视频

关联规则模型、Apriori算法及R语言挖掘杂货店交易数据与交互可视化

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

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

image.png

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
Insights_How-pharma-companies-can-better_1536x1536_800_Standard.jpg

R语言Apriori关联规则、K-means均值聚类数据挖掘中药专利复方治疗用药规律网络可视化

阅读文章 ➜

image.png

得到频繁规则挖掘

inspect(frequent
image.png

随时关注您喜欢的主题

查看求得的频繁项集

spect(sort(frequentsets,by="suppo
image.png

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
image.png

设置支持度为0.01，置信度为0.3


summary(rules)#查看规则
image.png

查看部分规则

image.png

查看置信度 支持度和提升度

image.png

可视化

绘制不同规则图形来表示支持度，置信度和提升度。

202003281439369701.png

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。

image.png
ules, method = NULL,  
     measure = "support", shading = "lift", int
image.png

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。

image.png
image.png

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
image.png
image.png

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
image.png

查看最高置信度样本规则

sort(rules, by="confidenc
nspect(head(rules
image.png
sort(rules, by="lift
image.png

得到有价值规则子集

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

按照支持度排序

sort(x,by="support
image.png

按照置信度排序

inspect(sort(x,by="confide
image.png

对有价值的x集合进行数据可视化。

method="grouped")
image.png

组合挖掘

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

得到频繁规则挖掘

nspect(frequents
image.png

察看求得的频繁项集

nspect(sort(frequentsets,by="sup
image.png

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
image.png

设置支持度为0.01，置信度为0.3。

summary(rules)#查看规则
image.png

查看部分规则

image.png

查看置信度 支持度和提升度

image.png

可视化

image.png
image.png
image.png
image.png
image.png
image.png

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。

image.png
image.png
image.png

查看最高的支持度样本规则

image.png

查看最高置信度样本规则

image.png

查看最高提升度样本规则

image.png
confidence>0.3 & support>0.3 & lift>=1)    #得到有价值规则子集
summary(x)
image.png
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

对有价值的x集合进行数据可视化

image.png
image.png

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文，如需帮助请联系我们！

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498
微信扫一扫
关注拓端助手

关注有关新文章的微信公众号

永远不要错过任何见解。当新文章发表时，我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds