挖掘的總體思路：


首先癌癥有不同的發展期

不同發展期的癌癥有不同的癥型

這些癥型都處于不同的嚴重程度。

因此收集病人樣本930條,最終挖掘目標是：

找出這些嚴重程度不同的癥型和癌癥發展階段（我們知道癌癥有初期，中期，晚期等）之間的關系（也就是找到癥狀與疾病之間的關聯規則）

數據來自書籍《Python數據分析與挖掘實戰》的第8章

書籍《Python數據分析與挖掘實戰》中使用了Apriori算法來得到結果，
敝文嘗試使用另外一種關聯規則挖掘算法：FP-Growth 來獲得最終的挖掘結果。


敝文的前半部分代碼來自《Python數據分析與挖掘實戰》，

后半部分代碼通過把挖掘算法Apriori修改為FP-Growth而得，

最終實驗結果表明：FP-Growth可以獲得與Apriori一樣的挖掘效果，并且提升了挖掘速度。

挖掘總流程：

一（對應代碼1）、

每人的6種癥型（癥狀名字的代號是A～F，分別對應下面data.xls中的各種癥型）都處于不同的嚴重程度，

每種癥型按照嚴重程度高低用具體數字賦值，然后根據癥型的嚴重程度不度，聚類為四個區間，并根據某病人的某種癥狀的嚴重程度對應的數值，歸類到四個區間中的某一個區間（下面表格中的區間由后面代碼中的Kmeans聚類后得到）。各個癥型區間表格如下：

表格用法舉例：

例如一個人的肝氣郁結癥型比較嚴重，我們可以給他A3或者A4，如果比較輕，我們給他A1或者A2

同樣的，癥型之間我們認為地位是等同的，一個癥型就是一個6維矢量中的其中一維，6個癥型構成了一個6維矢量，其實也就是數據挖掘算法眼中的集合。

由于每個病人都有六種癥狀的不同區間（例如A1,A2,A3,A4），因此每個病人都可以由一個6維矢量（矢量中的每一維代表一種癥型）來表示，例如（A1,B3,C2,D2,E2,F4）

這些表格中的各個區間的邊界數值都是怎么來的呢？由代碼1運行時，通過Kmeans聚類而得

代碼1：

# -*- coding: utf-8 -*- ''' 聚類離散化，最后的result的格式為：1 2 3 4 A 0 0.178698 0.257724 0.351843 An 240 356.000000 281.000000 53.000000 即(0, 0.178698]有240個，(0.178698, 0.257724]有356個，依此類推。 ''' from __future__ import print_function import pandas as pd from sklearn.cluster import KMeans # 導入K均值聚類算法datafile = '../data/data.xls' #待聚類的數據文件 processedfile = '../tmp/data_processed.xls' # 數據處理后文件 typelabel = {u'肝氣郁結證型系數': 'A', u'熱毒蘊結證型系數': 'B', u'沖任失調證型系數': 'C', u'氣血兩虛證型系數': 'D', u'脾胃虛弱證型系數': 'E', u'肝腎陰虛證型系數': 'F'} k = 4 # 需要進行的聚類類別數# 讀取數據并進行聚類分析 data = pd.read_excel(datafile) # 讀取數據 keys = list(typelabel.keys()) result = pd.DataFrame()if __name__ == '__main__': # 判斷是否主窗口運行，如果是將代碼保存為.py后運行，則需要這句，如果直接復制到命令窗口運行，則不需要這句。for i in range(len(keys)):#每輪循環處理一個癥狀的聚類和數量統計print("i=", i)# 調用k-means算法，進行聚類離散化print(u'正在進行“%s”的聚類...' % keys[i])kmodel = KMeans(n_clusters=k, n_jobs=4) # n_jobs是并行數，一般等于CPU數較好kmodel.fit(data[[keys[i]]].as_matrix()) # 訓練模型r1 = pd.DataFrame(kmodel.cluster_centers_, columns=[typelabel[keys[i]]]) # 聚類中心print("r1=",r1)print("label=", typelabel[keys[i]])###r2 = pd.Series(kmodel.labels_).value_counts() # 分類統計print("r2=",r2)print("-------------------------------------")r2 = pd.DataFrame(r2, columns=[typelabel[keys[i]] + 'number']) # 轉為DataFrame，記錄各個類別的數目print("r2=", r2)#這一段用來統計聚類中各個類別的數量，并且寫入一列中，并改改名字####r=pd.concat([r1, r2], axis=1)print("排序前r=",r)r=r.sort_values(typelabel[keys[i]])print("排序后r=",r)r.index = [1, 2, 3, 4]#index指的是列標簽，typelabel[keys[i]]指的是行標簽####print("----------------------------------------------------")print("計算均值前的表格r=",r)r[typelabel[keys[i]]] = pd.rolling_mean(r[typelabel[keys[i]]], 2) # rolling_mean()用來計算相鄰2列的均值，以此作為邊界點。r[typelabel[keys[i]]][1] = 0.0 # 這兩句代碼將原來的聚類中心改為邊界點.這里的用法類似于C語言中的r[i][j]print("計算均值后的表格r=",r)result = result.append(r.T)#旋轉print("----------------------------------------------------")####print("result=",result)result = result.sort_index() # 以Index排序，即以A,B,C,D,E,F順序排,A代表癥狀的名稱，BCDE各自代表該癥狀的嚴重程度result.to_excel(processedfile)

運行代碼1后得到聚類處理后的文件為data_processed.xls（各種癥型的數據統計），得到上面的表格9~14，同時也得到統計結果：

輸出的結果是：

?	1	2	3	4
A	0	0.178697589	0.2577240643	0.3518431814
Anumber	240	356	281	53
B	0	0.1507662277	0.2966313131	0.4897045019
Bnumber	325	396	180	29
C	0	0.2021487293	0.2890611377	0.4235365546
Cnumber	297	394	204	35
D	0	0.1765046363	0.2571199525	0.3661899988
Dnumber	309	371	211	39
E	0	0.1526978022	0.2575413223	0.3748694473
Enumber	273	319	242	96
F	0	0.1791433755	0.2613863944	0.354642668
Fnumber	200	237	265	228

結合輸入文件data.xls
由于得到了每種癥狀的各種嚴重程度的量化區間， 所以把data.xls中的各個參數（例如A癥狀）轉化為A1～A4
轉化辦法如下：
data.xls中，對每行的首單元進行按行排序，由于data.xls中第一列的各項數據處于data_processed.xls的四個區間中，
分別改為A1~A4,從而得到下一份代碼需要的文件data.txt文件（ 可從百度網盤下載： https://pan.baidu.com/s/1miZgHMo ），

舉個例子說明data.txt中的的每行數據是什么意思：

例如，data.xls第一行的數據是：

0.175,0.682,0.171,0.535,0.419,0.447

由于Kmeans得到了“癥型對應的數值的聚類中心”，得到的結果其實就是上文中的表8-9,8-10,8-11,8-12,8-13,8-14,

根據癥型的數值查表，得到由于0.175在區間(0,0.179]中，靠近聚類中心0.179，所以0.175替換為A2，同樣地:

0.682查表8-10，歸類為B1

0.171查表8-11，歸類為C3

0.535查表8-12，歸類為D3

0.419查表8-13，歸類為E1

0.447查表8-14，歸類為F1

以此類推，把6維向量（0.175,0.682,0.171,0.535,0.419,0.447）轉化成（A2，B1，C3，D3，E1，F1，H1）

用代碼批量轉化即可，轉化結果為data.txt，可從百度網盤下載：

https://pan.baidu.com/s/1miZgHMo

二（對應代碼2）、這里使用FP-Growth算法來進行挖掘，找出不同嚴重程度的癥狀和mammary cancer

發展時期之間的聯系，也就是說，找出哪些癥狀（例如A3和B5）極有可能導致乳腺癌之間的某個特定的發展階段（例如H5），例如，腎臟發炎和肝硬化有較大概率導致乳腺癌（這里只是舉個例子，不一定符合真實情況）挖掘結束。

代碼2：

#-*- encoding:utf-8 -*- import sys reload(sys) import pyfpgrowth sys.setdefaultencoding('utf-8')path='./data.txt' def read_data(path):data_lists=[]f = open(path) # 返回一個文件對象 line = f.readline() # 調用文件的 readline()方法for line in open(path):# print type(line) print line # 后面跟 ',' 將忽略換行符 # print(line, end = '')　　　# 在 Python 3中使用 lists_cell=line.replace('\n','').split(",")#去掉回車鍵，以逗號作為分隔符 data_lists.append(lists_cell)line = f.readline() f.close()return data_liststransactions=read_data(path) # print "transactions=",transactions print len(transactions) print type(transactions)patterns = pyfpgrowth.find_frequent_patterns(transactions, 56)#2 這個位置的參數代表支持度,也就是說出現數量56次以上 rules = pyfpgrowth.generate_association_rules(patterns, 0.87)#0.7 這個位置的參數代表置信度print "FPGrowth關聯規則挖掘結果：" for k,v in rules.items(): print kprint vprint"-"*20
代碼運行結果：

FPGrowth關聯規則挖掘結果：
('A3', 'F4')
(('H4',), 0.8795180722891566)
--------------------
('C3', 'F4')
(('H4',), 0.875)
--------------------
[Finished in 0.1s]

與書上P192結果進行比較，可以發現，雖然書上用的是Apriori，此處使用的是FPGrowth，挖掘得到的關聯規則是一致的：

最后解釋下實驗結果：

順便解釋下基本概念：
下面的support指的是，‘并’的關系

Support（A=>B）=P(AUB)

置信度指的是：條件概率

Confidence（A=>B）=P(B|A)

那么FpGrowth的挖掘結果可以解釋為：

當肝氣郁結癥型系數位于A3區間，并且 肝腎陰虛癥型系數位于F4區間，在這兩個前提的條件下，處于mammary cancer H4階段的概率為0.8795180722891566

在總樣本中，這種情況發生的概率是0.078495，代碼中有個數字是56,設置辦法是：930*0.078495=56

總結

以上是生活随笔為你收集整理的基于FPGrowth挖掘算法的乳腺癌中医症型关联规则挖掘的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。