借助患者病理信息，挖掘患者的症状与中医证型之间的关联关系，对治疗提供依据，挖掘潜在证素
采用关联规则算法，挖掘各中医证素与乳腺癌分期之间的关系 
步骤：
问卷采集数据，形成原始数据
数据预处理(数据清洗、属性规约、数据交换)
对数据采用关联规则算法，调整参数，训练得到关系模型
结合业务，结果分析，应用实际
(1)数据清洗：对数据进行有效性检查，整理成为原始数据 
(2)属性规约：将数据的73个属性取其重要属性，剔除无关属性，最终的属性为：
6种证型得分、分期的属性值 
(3)数据变换：
1)属性构造：采用证型系数代替具体单证型的证素得分，
证型系数=该证型得分/该证型总分 
2)数据离散化：由于Apriori关联规则无法处理连续型数值变量，需要将原始数据离散化，采用聚类算法将各个证型系数离散化处理，将每个属性聚成4类。 
from __future__ import print_function import pandas as pd from sklearn.cluster import KMeans #导入K均值聚类算法 datafile = 'eeeee/chapter4/demo//data/data.xls' #待聚类的数据文件 processedfile = '../tmp/data_processed.xls' #数据处理后文件 typelabel ={u'肝气郁结证型系数':'A', u'热毒蕴结证型系数':'B', u'冲任失调证型系数':'C', u'气血两虚证型系数':'D', u'脾胃虚弱证型系数':'E', u'肝肾阴虚证型系数':'F'} k = 4 #需要进行的聚类类别数 #读取数据并进行聚类分析 data = pd.read_excel(datafile) #读取数据 keys = list(typelabel.keys()) result = pd.DataFrame() if __name__ == '__main__': #判断是否主窗口运行，如果是将代码保存为.py后运行，则需要这句，如果直接复制到命令窗口运行，则不需要这句。 for i in range(len(keys)): #调用k-means算法，进行聚类离散化 print(u'正在进行“%s”的聚类...' % keys[i]) kmodel = KMeans(n_clusters = k, n_jobs = 4) #n_jobs是并行数，一般等于CPU数较好 kmodel.fit(data[[keys[i]]].as_matrix()) #训练模型 r1 = pd.DataFrame(kmodel.cluster_centers_, columns = [typelabel[keys[i]]]) #聚类中心 r2 = pd.Series(kmodel.labels_).value_counts() #分类统计 r2 = pd.DataFrame(r2, columns = [typelabel[keys[i]]+'n']) #转为DataFrame，记录各个类别的数目 r = pd.concat([r1, r2], axis = 1).sort(typelabel[keys[i]]) #匹配聚类中心和类别数目 r.index = [1, 2, 3, 4] r[typelabel[keys[i]]] = pd.rolling_mean(r[typelabel[keys[i]]], 2) #rolling_mean()用来计算相邻2列的均值，以此作为边界点。 r[typelabel[keys[i]]][1] = 0.0 #这两句代码将原来的聚类中心改为边界点。 result = result.append(r.T) result = result.sort() #以Index排序，即以A,B,C,D,E,F顺序排 result.to_excel(processedfile) 4.模型构建
关联规则算法主要用于寻找数据集中项之间的关系，基于样本的统计规律，进行关联规则挖掘 
#-*- coding: utf-8 -*- from __future__ import print_function import pandas as pd #自定义连接函数，用于实现L_{k-1}到C_k的连接 def connect_string(x, ms): x = list(map(lambda i:sorted(i.split(ms)), x)) l = len(x[0]) r = [] for i in range(len(x)): for j in range(i,len(x)): if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]: r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]])) return r #寻找关联规则的函数 def find_rule(d, support, confidence, ms = u'--'): result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果 support_series = 1.0*d.sum()/len(d) #支持度序列 column = list(support_series[support_series > support].index) #初步根据支持度筛选 k = 0 while len(column) > 1: k = k+1 print(u'\n正在进行第%s次搜索...' %k) column = connect_string(column, ms) print(u'数目：%s...' %len(column)) sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数 #创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。 d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).T support_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #计算连接后的支持度 column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选 support_series = support_series.append(support_series_2) column2 = [] for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？ i = i.split(ms) for j in range(len(i)): column2.append(i[:j]+i[j+1:]+i[j:j+1]) cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定义置信度序列 for i in column2: #计算置信度序列 cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])] for i in cofidence_series[cofidence_series > confidence].index: #置信度筛选 result[i] = 0.0 result[i]['confidence'] = cofidence_series[i] result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))] result = result.T.sort(['confidence','support'], ascending = False) #结果整理，输出 print(u'\n结果为：') print(result) return result import pandas as pd import time #导入时间库用来计算用时 inputfile = '../data/apriori.txt' #输入事务集文件 data = pd.read_csv(inputfile, header=None, dtype = object) start = time.clock() #计时开始 print(u'\n转换原始数据至0-1矩阵...') ct = lambda x : pd.Series(1, index = x[pd.notnull(x)]) #转换0-1矩阵的过渡函数 b = map(ct, data.as_matrix()) #用map方式执行 data = pd.DataFrame(b).fillna(0) #实现矩阵转换，空值用0填充 end = time.clock() #计时结束 print(u'\n转换完毕，用时：%0.2f秒' %(end-start)) del b #删除中间变量b，节省内存 support = 0.06 #最小支持度 confidence = 0.75 #最小置信度 ms = '---' #连接符，默认'--'，用来区分不同元素，如A--B。需要保证原始表格中不含有该字符 start = time.clock() #计时开始 print(u'\n开始搜索关联规则...') find_rule(data, support, confidence, ms) end = time.clock() #计时结束 print(u'\n搜索完成，用时：%0.2f秒' %(end-start))根据运行结果，我们得出了5个关联规则，然而并非所有的关联规则都有意义，我们只在乎以H为规则结果的规则(即说明在哪些情况下容易产生疾病和疾病所处分期)
A3―-F4―-H4 ：支持度为7.85%,置信度为:87.95%
表示在肝气郁结证型系数为第三阶段，肝肾阴虚证型系数为第四阶段，此时分期H4期的可能性为87.95%，而这种情况发生的可能性为7.85%
C3―-F4―-H4 ：支持度为7.52%,置信度为:87.5%
B2―-F4―-H4 ：支持度为6.23%,置信度为:79.45%
文章来源: 中医证型关联规则挖掘