Python 数据挖掘之中医证型关联规则挖掘

综述

对中医证型数据进行挖掘分析，运用的算法有 K-Means，MeanShift， apriori。完整代码与数据可在我的GitHub中找到，链接在此。

部分数据展示

数据聚类离散化

# -*- coding: utf-8 -*-

import pandas as pd
from sklearn.cluster import KMeans  # 导入K均值聚类算法
from sklearn.cluster import MeanShift


def KMeansTest():
    result = pd.DataFrame()
    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]]].values)  # 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_values(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]]] = r[typelabel[keys[i]]].rolling(2).mean()  # 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)

    return result


def MeanShiftTest():
    result = pd.DataFrame()
    for i in range(len(keys)):
        # 调用MeanShift算法，进行聚类离散化
        print(u'正在进行“%s”的聚类...' % keys[i])
        kmodel = MeanShift()  # n_jobs是并行数，一般等于CPU数较好
        kmodel.fit(data[[keys[i]]].values)  # 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_values(typelabel[keys[i]])  # 匹配聚类中心和类别数目
        r[typelabel[keys[i]]] = r[typelabel[keys[i]]].rolling(2).mean()  # 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)

    return result


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。

    datafile = 'data.xls'  # 待聚类的数据文件
    processedfile1 = 'KMeansData_processed.xls'  # 数据处理后文件
    processedfile2 = 'MeanShiftData_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())

    result1 = KMeansTest()
    result1 = result1.sort_index()  # 以Index排序，即以A,B,C,D,E,F顺序排
    result1.to_excel(processedfile1)

    result2 = MeanShiftTest()
    result2 = result2.sort_index()  # 以Index排序，即以A,B,C,D,E,F顺序排
    result2.to_excel(processedfile2)

Apriori关联规则分析

# -*- coding: utf-8 -*-

from __future__ import print_function
import pandas as pd
from apriori import *  # 导入自行编写的apriori函数
import time  # 导入时间库用来计算用时

inputfile = 'apriori.txt'  # 输入事务集文件
data = pd.read_csv(inputfile, header=None, dtype=object)

start = time.time()  # 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.values)  # 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.time()  # 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.time()  # 计时开始
print(u'\n开始搜索关联规则...')
find_rule(data, support, confidence, ms)
end = time.time()  # 计时结束
print(u'\n搜索完成，用时：%0.2f秒' % (end - start))

结果