数据挖掘--（实验二）关联规则实验

来源：五一七教育网

实验一有趣的频繁项集

案例简介：

有时我们并不想寻找所有频繁项集,而只对包含某个特定元素项的项集感兴趣。我们会寻找毒蘑菇中的一些公共特征,利用这些特征就能避免吃到那些有毒的蘑菇。UCI 的机器学习数据集合中有一个关于肋形蘑菇的 23 种特征的数据集,每一个特征都包含个标称数据值。我们必须将这些标称值转化为一个集合。幸运的是,已经有人已经做好了这种转换。Roberto Bayardo 对 UCI 蘑菇数据集进行了解析,将每个蘑菇样本转换成一个特征集合(mushroom.dat)。其中,枚举了每个特征的所有可能值,如果某个样本包含特征,那么该特征对应的整数值被包含数据集中。数据集的前几行如下所示：

1. 数据准备

读取数据集“mushroom.dat”文件，并只选择 有毒蘑菇的数据。注意删除存在缺失值的行数据

2. 数据建模

调用 aprior 或 FP 树算法，其中选择支持度阈值 0.4。

3. 分析结果输出

只输出与毒蘑菇相关的属性值构成的频繁项集(例如，[“2”,”59”])

4. Python代码实现

import pandas  as pd
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori,association_rules

df = pd.read_csv("C:/Users/wcj770801/Desktop/Python/Mushroom.txt",header=None,sep =' ')
ind = (df.iloc[:,0]==2)
b = df.loc[ind]

b= b.iloc[:,:-1].values.tolist()
te_ary = te.fit(b).transform(b)

df = pd.DataFrame(te_ary, columns=te.columns_)
fre_item = apriori(df, min_support=0.6)

实验二中医证型关联规则挖掘

案例简介：

恶性肿瘤俗称癌症，当前已成为危害我国居民生命健康的主要杀手。应用中医药治疗恶性肿瘤已成为公认的综合治疗方法之一，且中医药治疗乳腺癌有着广泛的适应证和独特的优势。从整体出发，调整机体气血、阴阳、脏腑功能的平衡，根据不同的临床证候进行辨证论治。确定“先证治”的方向:即后续证侯尚未出现之前，需要截断恶化病情的哪些后续证侯。发现中医症状间的关联关系和诸多症状间的规律性，并且依据规则分析病因、预测病情发展以及为未来临床诊治供有鉴。这样，在治疗患者的过程中，医生可以有效地减少西医治疗的毒副作用，为后续治疗打下基础并且还能够帮助乳腺癌患者在手术后恢复体质，改善生存质量，有利于提高患者的生存机率。请

根据提供的数据实现以下目标。

1)借助三阴乳腺癌患者的病理信息，挖掘患者的症状与中医证型之

间的关联关系。

2)对截断治疗提供依据，挖掘潜性证素。

由于患者在围手术期、围化疗期、围放疗期和内分泌治疗期等各个病程阶段，基本都会出现特定的临床症状，故而可以运用中医截断疗法进行治疗，在辨病的基础上围绕各个病程的特殊证候先证而治。截断扭转的主要观点是强调早期治疗，力图快速控制病情，截斯病情的特殊证候先证而治.截断扭转的主要观点是强调早期治疗，力图快速控制病情，截斯病情邪变深人，扭转阻止疾病恶化。

目前，患者的临床病理信息大部分都记录在纸张上，包含了患者的基本信息、具体患病目前，患者的临床病理信息大部分都记录在纸张上，包含了患者的基本信息、具体患病信息等，很少会将患者的患病信息存放于系统中，因此进行数据分析时会面临数据缺乏的情况。针对这种状况，采用问卷调查的方式收集数据;运用数据挖掘技术对收集的数据进况.行数据探索与预处理，形成建模数据:采用关联规则算法，挖掘各中医证素与乳腺癌 TNM 分期之间的关系，其中乳腺癌 TNM 分期是乳腺癌分期基本原则，I 期较轻，IV 期较严重。探索不同分期阶段的三阴乳腺癌患者的中医证素分布规律，以及采用截断病变发展、先期干预的治疗思路，指导三阴乳腺癌的中医临床治疗。

1. 数据准备

本案例采用调查问卷的形式对数据进行搜集，数据获取的具体过程如

下。

1)拟定调查问卷表并形成原始指标表。

2)定义纳人标准与排除标准。

3)将收集回来的问卷表整理成原始数据。

2. 数据预处理

本案例中数据预处理过程包括数据清洗、属性规约和数据变换。数据来源于问卷调查，因此在数据预处理开始阶段，需要把纸质的问卷整理成原始数据集。针对原始数据集，经过数据预处理，形成建模数据集。

（1）数据清洗

在收回的问卷中，存在无效的问卷，为了便于模型分析，需要对其进行处理。在经过问卷有效性条件筛选后，将有效问卷整理成原始数据，共 930 条记录。

（2）属性规约

本案例收集到的数据共有 73 个属性，为了更有效地对其进行挖掘，将其中冗余属性与挖掘任务不相关属性剔除。因此选取其中 6 种证型得分、TNM 分期的属性值构成数据集，见下表。

(3)数据变换

本章数据变换主要采用属性构造和数据离散化两种方法对数据进行处理。首先通过属性构造，获得证型系数，然后通过聚类算法对数据进行离散化处理，形成建模数据。

○

① 属性构造

为了更好地反映出中医证素分布的特征，采用证型系数代替具体

单证型的证素得分，证型相关系数计算公式为:证型系数=该证型得分 1 该证型总分。数据详见( cancer.xls)

②数据离散化

由于 Apriori 关联规则算法无法处理连续型数值变量，为了将原始数据格式转换为适合建模的格式，需要对数据进行离散化。本章采用聚类算法对各个证型系数进行离散化处理，将每个属性聚成 4 类，其离散化后的数据格式见下表。

( 提示 : 利用 pandas 模块中的 cut 方法) 注意删除存在缺失值的行数据！！

3. 数据建模

本案例的目标是探索乳腺癌患者 TNM 分期与中医证型系数之间的关系，因此采用关联规则算法，挖掘它们之间的关联关系。

(1) Apriori 算法主要用于寻找数据集中项之间的关联关系。它揭示了数据项间的未知关系，基于样本的统计规律，进行关联规则挖掘。根据所挖掘的关联关系，可以从一个属性的信息来推断另一个属性的信息。当置信度达到某一阈值时，就可以认为规则成立。

最小支持度 6% 、最小置信度 75%

注意：根据上述运行结果，我们得出了 5 个关联规则，如----H4，它的意思是 A3,F4=>H4，类似的，D---4---A2 的意思是 D2，F3，H4=>A2。但是，并非所有关联规则都有意义的，我们 只在乎那些以 H 为规则 结果的规则。

(2) 计算 有效蕴含表达式 的 不平衡比和 Kluc 度量。

4. 结果分析

1) A3、F4=>H4 支持度最大，达到 7.85%，置信度最大，达到87.96%，说明肝气郁结证型系数处于(0.258， 0.35]，肝肾阴虚证型系数处于( 0.353，0.607] 范围内，TNM 分期诊断为 H4 期的可能性为 87.96%，而这种情况发生的可能性为 7.85%。

2) C3、F4=>H4 支持度 7.53%，置信度 87.5%，说明冲任失调证型系数处于(0.201,0.288]，肝肾阴虚证型系数处于( 0.353，0.607] 范围内，TNM 分期诊断为 H4 期的可能性为 87.5%，而这种情况发生的可能性为 7.53%。

3) B2、F4=>H4 支持度 6.24%，置信度 79.45%，说明热毒蕴结证型系数处于(0.15,0.296]，肝肾阴虚证型系数处于( 0.353，0.607] 范围内，TNM 分期诊断为 H4 期的可能性为 79. 45%，而这种情况发生的可能性为 6.24%。

综合以上分析，TNM 分期为 H4 期的三阴乳腺癌患者证型主要为肝肾阴虚证、热毒蕴结证、肝气郁结证和冲任失调，H4 期患者肝肾阴虚证和肝气郁结证的临床表现较为突出，其置信度最大达到

87.96%。

4.Python代码实现

import pandas  as pd
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori,association_rules

te = TransactionEncoder()
df = pd.read_excel("C:/Users/wcj770801/Desktop/Python/cancer.xls")

df["肝气郁结证型系数"] = pd.cut(df["肝气郁结证型系数"], [0,0.179,0.258,0.35,0.504], labels=["A1", "A2", "A3", "A4"],include_lowest=True)
df["热毒蕴结证型系数"] = pd.cut(df ["热毒蕴结证型系数"], [0,0.15,0.296,0.485,0.78], labels=["B1", "B2", "B3", "B4"],include_lowest=True)
df["冲任失调证型系数"] = pd.cut(df["冲任失调证型系数"], [0,0.201,0.288,0.415,0.61], labels=["C1", "C2", "C3", "C4"],include_lowest=True)
df["气血两虚证型系数"] = pd.cut( df["气血两虚证型系数"], [0,0.172,0.251,0.357,0.552], labels=["D1", "D2", "D3", "D4"],include_lowest=True)
df["脾胃虚弱证型系数"] = pd.cut( df["脾胃虚弱证型系数"], [0,0.154,0.256,0.375,0.526], labels=["E1", "E2", "E3", "E4"],include_lowest=True)
df["肝肾阴虚证型系数"] = pd.cut( df["肝肾阴虚证型系数"], [0,0.178,0.261,0.353,0.607], labels=["F1", "F2", "F3", "F4"],include_lowest=True)
b = df.values.tolist() 
te_ary = te.fit(b).transform(b)

df = pd.DataFrame(te_ary, columns=te.columns_)
fre_itemset = apriori(df, min_support=0.06,use_colnames=True)

rules =association_rules(fre_itemset, metric='confidence', min_threshold=1, support_only=False)
consequents =  rules['consequents'] #frozenset() 返回一个冻结的集合，冻结后集合不能再添加或删除任何元素。
idx = consequents.apply(lambda x: 'H4'  in set(x)) 
aim_rules = rules[idx]
print(aim_rules)

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文