全文链接：http://tecdat.cn/?p=32316
原文出处：拓端数据部落公众号
咱们常说的中药开掘，个别是用药开掘，还有穴位的开掘，次要是想找出一些用药的法则。在西医开掘中，数据的起源比拟宽泛, 有的是通过临床收集用药处方，比方，一个驰名老中医针对某一疾病的用药状况; 有的是通过古籍，现代流传下来的药方; 还有一种状况是在论文数据框里查找专门医治某一疾病的文献，从中找到处方，用来剖析。
Apriori 算法是一种最有影响的开掘关联规定频繁项集的算法。其外围是基于两阶段频集思维的递推算法。该关联规定在分类上属于单维、单层、布尔关联规定，Apriori 算法采纳了逐层搜寻的迭代的办法，算法简单明了，没有简单的实践推导，也易于实现。
因为 Apriori 算法的个性，非常适宜中药处方、膏方、方剂的开掘，甚至于穴位的开掘。
本文帮忙客户得出不同处方的药物组合和频率，挖掘出药方外在的法则。
中药处方数据
读取数据
a_df3=read.xlsx("开掘用.xlsx",startRow=0, colNames = F)转换数据结构
a_list=list(0)
for(i in 1:nrow(a_df3)){
## 删除事务中的反复我的项目
a_list[[i]]= unique(strsplit(a_df3[i,],",")[[1]])将数据转换成事务类型
trans2 <- as(a_list, "tran查看每个商品的呈现频率
能够看到每个物品呈现的频率，从而判断哪些物品的反对度较高。
关联规定开掘
药对开掘
at(dat1,parameter=list(support=0.3,minlen=2,maxle失去频繁规定开掘
inspect(frequent查看求得的频繁项集
spect(sort(frequentsets,by="suppo依据反对度对求得的频繁项集排序并查看（等价于 inspect(sort(frequentsets)[1:10]）。
建设模型
apriori(dat1,parame设置反对度为 0.01，置信度为 0.3
summary(rules)# 查看规定 查看局部规定
查看置信度 反对度和晋升度
可视化
绘制不同规定图形来示意反对度，置信度和晋升度。
通过该图能够看到规定前项和规定后项别离有哪些物品 以及每个物品的反对度大小，反对度越大则圆圈越大。
ules, method = NULL,
measure = "support", shading = "lift", int从该图能够看到反对度和置信度的关系，置信度越高晋升度也越高。
从该图能够看到反对度和置信度的关系，晋升度越高置信度也越高。
ules, method="matrix3D", measure="lift从上图能够看到不同物品之间的关联关系，图中的点越大阐明该物品的反对度越高，色彩越深阐明该物品的晋升度越高。
plot(rules, method="doubledecker")
查看最高的反对度样本规定
ules::inspect(head(rules查看最高置信度样本规定
sort(rules, by="confidenc
nspect(head(rulessort(rules, by="lift失去有价值规定子集
rules,subset=confidence>0.3 & support>0.2 & lift>=1
summary(x)依照反对度排序
sort(x,by="support依照置信度排序
inspect(sort(x,by="confide对有价值的 x 汇合进行数据可视化。
method="grouped")组合开掘
at(dat1,parameter=list(support=0.22,minlen=3,maxle失去频繁规定开掘
nspect(frequents观察求得的频繁项集
nspect(sort(frequentsets,by="sup依据反对度对求得的频繁项集排序并查看（等价于 inspect(sort(frequentsets)[1:10]）
建设模型
apriori(dat1,parameter=list(support=0.24设置反对度为 0.01，置信度为 0.3。
summary(rules)# 查看规定 查看局部规定
查看置信度 反对度和晋升度
可视化
从该图能够看到反对度和置信度的关系，晋升度越高置信度也越高。
查看最高的反对度样本规定
查看最高置信度样本规定
查看最高晋升度样本规定
confidence>0.3 & support>0.3 & lift>=1) #失去有价值规定子集
summary(x)aspect(sort(x,by="support")) #依照反对度排序
## 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")) #依照置信度排序
## 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 汇合进行数据可视化
最受欢迎的见解
1.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%bb%98%e5%88%b6%e7%94%…)Python 中的 Apriori 关联算法 - 市场购物篮剖析
2.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%94%9f%e5%ad%98%e5%88%…)[](http://tecdat.cn/%e9%80%9a%e8%bf%87%e5%85%b3%e8%81%94%e8%a7%8…)R 语言绘制生存曲线预计 | 生存剖析 | 如何 R 作生存曲线图
3.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e5%a6%82%e4%bd%95%e5%9c%…)[](http://tecdat.cn/%e5%9f%ba%e4%ba%8er%e7%9a%84fp%e6%a0%91fp-gr…) 用关联规定数据挖掘摸索药物配伍中的法则
4.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e4%b8%ad%e4%bd%bf%e7%94%…) 通过 Python 中的 Apriori 算法进行关联规定开掘
5.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%94%9f%e5%ad%98%e5%88%…) 用关联规定数据挖掘摸索药物配伍中的法则
6.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80ggplot2%e8%af%af%e5%b7%ae…) 采纳 SPSS Modeler 的 Web 简单网络对所有腧穴进行剖析
7.[](http://tecdat.cn/r-%e8%af%ad%e8%a8%80%e7%bb%98%e5%88%b6%e5%8a…)R 语言如何在生存剖析与 COX 回归中计算 IDI，NRI 指标
8.R 语言如何找到患者数据中具备差别的指标？（PLS—DA 剖析）
9.R 语言中的生存剖析 Survival analysis 早期肺癌患者 4 例