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|附代码数据

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|附代码数据

引用

51CTO

1.

https://blog.51cto.com/u_14293657/8384858

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)){
  a_list[[i]]= unique(strsplit(a_df3[i,],",")[[1]])
}

将数据转换成事务类型

trans2 <- as(a_list, "transactions")

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

dat1 <- as(a_list, "transactions")
frequentsets <- apriori(dat1, parameter=list(support=0.3,minlen=2,maxlen=2))

得到频繁规则挖掘

inspect(frequentsets)

查看求得的频繁项集

inspect(sort(frequentsets,by="support"))

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

rules <- apriori(dat1,parameter=list(support=0.01,confidence=0.3))

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。

plot(rules, method = NULL, measure = "support", shading = "lift", interactive = TRUE)

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。

plot(rules, 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

inspect(head(sort(rules, by="support")))

查看最高置信度样本规则

inspect(head(sort(rules, by="confidence")))

查看最高提升度样本规则

inspect(head(sort(rules, by="lift")))

得到有价值规则子集

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

按照支持度排序

inspect(sort(x,by="support"))

按照置信度排序

inspect(sort(x,by="confidence"))

对有价值的x集合进行数据可视化。

plot(x, method="grouped")

组合挖掘

frequentsets <- apriori(dat1,parameter=list(support=0.22,minlen=3,maxlen=3))

得到频繁规则挖掘

inspect(frequentsets)

察看求得的频繁项集

inspect(sort(frequentsets,by="support"))

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

rules <- apriori(dat1,parameter=list(support=0.24,confidence=0.3))

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

x <- subset(rules, subset=confidence>0.3 & support>0.3 & lift>=1)    #得到有价值规则子集
summary(x)

inspect(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

inspect(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