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

拓端

发布于 2025-02-27 21:22:41

5700

代码可运行

文章被收录于专栏：拓端tecdat

运行总次数：0

代码可运行

全文链接：http://tecdat.cn/?p=32316

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（点击文末“阅读原文”获取完整代码数据）。

相关视频

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。

点击标题查阅往期内容

R语言APRIORI关联规则、K-MEANS均值聚类分析中药专利复方治疗用药规律网络可视化

左右滑动查看更多

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

查看求得的频繁项集

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