全文链接：http://tecdat.cn/?p=32316

原文出处：拓端数据部落公众号

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。

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

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>=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

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  1.604743pect(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

 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