R语言关联规则Apriori对抗肿瘤中药数据库知识发现研究

本文主要是介绍R语言关联规则Apriori对抗肿瘤中药数据库知识发现研究,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

全文链接:http://tecdat.cn/?p=32660

肿瘤是近年来严重威胁人类的健康的疾病,据统计,目前大部分种类的肿瘤都呈现不同程度的上升趋势,中国因患肿瘤而死亡的人数约占全球肿瘤死亡总人数的1/4左右,人类正面临着肿瘤防治的新挑战点击文末“阅读原文”获取完整代码数据)。

相关视频

现代医学治疗肿瘤的手段和方式已经日臻完善,主要为手术配合放、化疗联合治疗。

但传统西医治疗在提高缓解率的同时易产生较强的毒副作用与耐药性。作为传统医学主体的中医药与西医相结合辨证施治,在提高疗效、缓解不良反应等方面有其独特的优势。

本研究帮助客户在收集数据建立抗肿瘤中药数据库的基础上,运用数学模型探寻抗肿瘤中药性效关系及现代药理学研究,为抗肿瘤中医及中西医综合治疗的临证用药提供理论依据。

读取数据

cb0b710bc0ff18053173abd3182d2810.png

siqi=read.xlsx("性效挖掘一列0616 2.xlsx",sheet=1 )  
wuwei=read.xlsx("性效挖掘一列0616 2.xlsx",sheet=2 )  
guijing=read.xlsx("性效挖掘一列0616 2.xlsx",sheet=3 )  
duxing=read.xlsx("性效挖掘一列0616 2.xlsx",sheet=4 )  
gongneng =read.xlsx("性效挖掘一列0616 2.xlsx",sheet=5 )

(一)频数统计

四气、五味、归经、有(无)毒、药理功能基础分析

(1)抗肿瘤中药四气、五味、归经、有无毒性、功能、药理作用→频数统计( or 数据分布)

(四气、五味、归经、有毒无毒考虑数字、直方图、饼图表示)

绘制直方图

barplot(table(unlist(x[,2])))  tab1=table(unlist(x[,2]))  tab2=table(unlist(x[,2]))/sum(table(unlist(x[,2])))  res=cbind(tab1,tab2)  colnames(res)=c("频数","频率")

31de6267fbef9dd12bc7f2a469fd2835.png

5c561f71b45783dada3930bf8d8830c5.png

ba74d9013670f663989913f3eb91182c.png

7f74ff44f34ebc9598f1c2cfdad8e898.png

bf34ad825d6d19be8a88dfc03d789bf9.png

7aefae5bb191a7786269c7c9d9697818.png

86b1b3ca06b7b6ce330034fbe75784b2.png

eba859dea3d29a4886f23959095277f8.png

a_df3=merge(siqi,wuwei,by="流水号" )  
a_df3=merge(a_df3,guijing,by="流水号" )

交叉表

药味和四气那两列要和功效分别做两张这种图

tab=table(a_df$功能,a_df$四气)  
for(i in 1:ncol(tab)){

导出为excel文件:

6de5599f0d6f8916b75e09b8d4cdf6e8.png

22edabed0ff8ac1863fc357c9991a57a.png

785c4adfd5dfdd8eb5254cfd98763b41.png

(二)关联规则

对经典的 Apriori 算法进行改进,编程实现双向强关联规则挖掘方法,采用此方法分析药 - 药性 - 功效之间的联系

将数据转换成事务类型

for(i in 2:ncol(a_df3))a_df3[,i]=as.factor(a_df3[,i])rulesmodel=function(X){rules <- sort(rules, by="support")arules::inspect(head(rules, n=20))#查看最高置信度样本规则rules <- sort(rules, by="confidence")

(1)药性 功效关联性分析

1)药性关联性分析

①四气、五味  

rulesmodel(c("四气","五味"))

d3d87b90a69d7b78eddc6b5449aaff80.png

9a6e3589ff4891d8a5800b4738306b1e.png


点击标题查阅往期内容

44ec4d2bddf310d831300a38cb589960.png

PYTHON在线零售数据关联规则挖掘APRIORI算法数据可视化

outside_default.png

左右滑动查看更多

outside_default.png

01

e25cb37895768e2881bb461c8e0e3c4e.png

02

116bd8dfba98bb61758b45a6e5206898.jpeg

03

cb77e3333985624201d7f2efdf800902.png

04

13ed11091c7a73e94f9bde5a3bf8e34a.jpeg

63b1fe1e9f4a8c53a1f5f04b56824c68.png

3c8e6d13c3e73fb1e53428e8a1ece742.png

ddd5c381d51a66b266b3ea7613351cc4.png

4458725f4b56151d6682eeb772edd9e9.png

efc932402869e81274baa16bb81f8f38.png

fef14b123948e24999dae0d410fc6cee.png

d30ecfa2d4f7ee5a7614d1cf16f564c8.png

09d850c191e177bf1875c21c4dde70ae.png

②四气、归经

d36b1f1a45a8b7261411100da5b93824.png


点击标题查阅往期内容

8ebc6925a48ce5ec0e1881a717cbad2c.jpeg

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

outside_default.png

左右滑动查看更多

outside_default.png

01

e9a9db3b8419f9bf09aa7525f8207fef.png

02

887b529b4a129edaa6d4b48a67541033.png

03

9e4412a9fe8dc50b601ae7ebb2aa35f4.png

04

2043e64987430679eb5fd01d541d3505.png

9f7b3aef214ef24a25f5e21ca75c7af1.png

d16ad012eb6dd9d0508bcba8d66451b4.png

3cb949aa4aa029194c25e31e8bd69a52.png

70411d9d258285c9276d8cec90266a02.png

90869ad7a64f008ba88e5b00205c8bcd.png

0dae7231c8af4cae73b8af9c8e8213f7.png

b84cdf5453ae05fdc7d9f2d7d8adaef4.png

1b3ddaae4ff1efebbfebf0657e46a3d8.png

9ab5136635986e19ef013da2dff2823b.png

2)药性**-** 功效关联性分析

①四气、功能

e6d7c114c33ea1225b1d9a90588cbedd.png

80b0ed8a79e1d17ef48ef6fb8a7fa8ec.png

1d16c67c91432f0aeceba91d96e7a489.png

29ff968ae73f84e962d70451a2456fcc.png

a0fbadb862ba09c37659ff29eae0432b.png

5ceaea8101c9f60f28280829474dafef.png

db5357764bf2e8d4b8be2488d5ba7304.png

169cd1ac357258c4b6f4656a057bb13f.png

383ea0c644bf5a07f97d6be38c171f95.png

④四气、五味、归经、功能→综合分析

◎ 用网络图表示。用表格?图片类似下图。

rulesmodel(c("四气","五味","归经"))

a413e3f66b3c646c90aa3d672d56411f.png

746f4ca5f1384d1d66b84322699c1cc6.png

087f1f3d15c03965db3fc491e9b21300.png

0f5ccf82c6b4bb020ed3f69034e46832.png

229a9c2619c8fec04d80f9c15ff6ce7e.png

224d1bfcd7d9e25480ec7d7c90883777.png

b916084d8a2f063987e44073a41124a2.png

8b0195419173f461f1495b22c3920f92.png

cba0b99faae29ba87b515f1365ccd8ff.png

四个比较有两个,一个是(性-味-归经-毒性),用频繁项集和圆圈图。

rulesmodel(c("四气","五味","归经","毒性"))

eda9da26b011789a8acb2344c372ba4e.png

2af70d3fb99159ee764c55d0a345ff1c.png

afb0568438bc350aae8cf4681e2b30d4.png

9e0d33562a97b7e0902b8368cdeec860.png

cc996f5bee81b0cd20c17952fe7218b3.png

6fbdc440d063b3598dd0ab453fb789e5.png

ef25276aff59275802b096e495aa9ce5.png

9a5c8cce7bbcceeaa0b8afa304fb3b52.png

7342ffdb86d7538c4f16326383999b80.png

(性-味-归经-功能)的做频繁项集和网络图,做成关系网

rulesmodel(c("四气","五味","归经","功能"))

78c6d7130ef47aa46a636414dca61606.png

a5d0f63602b7111b1c718a3e4fe588f7.png

cb63cb1111bb2d97da71bc8d1fd24393.png

55efc61dda2acce825875c7430110341.png

9a81242b70b175537e17c5e92103abbc.png

63aa5796a4bfd2ded61ad6ec3aec92f6.png

cb9e31b0c5163f2e89887e8b8761a9c1.png


44999107b9b40dd9bb82ba586e61059c.jpeg

点击文末“阅读原文”

获取全文完整代码数据资料。

本文选自《R语言关联规则Apriori对抗肿瘤中药数据库知识发现研究》。

点击标题查阅往期内容

非线性混合效应 NLME模型对抗哮喘药物茶碱动力学研究

Python面板时间序列数据预测:格兰杰因果关系检验Granger causality test药品销售实例与可视化

R语言用关联规则和聚类模型挖掘处方数据探索药物配伍中的规律

用SPSS Modeler的Web复杂网络对所有腧穴进行关联规则分析

PYTHON在线零售数据关联规则挖掘APRIORI算法数据可视化

R语言关联规则模型(Apriori算法)挖掘杂货店的交易数据与交互可视化

R语言关联挖掘实例(购物篮分析)

python关联规则学习:FP-Growth算法对药品进行“菜篮子”分析

基于R的FP树fp growth 关联数据挖掘技术在煤矿隐患管理

python关联规则学习:FP-Growth算法对药品进行“菜篮子”分析

通过Python中的Apriori算法进行关联规则挖掘

Python中的Apriori关联算法-市场购物篮分析

R语言用关联规则和聚类模型挖掘处方数据探索药物配伍中的规律

在R语言中轻松创建关联网络

python主题建模可视化LDA和T-SNE交互式可视化

R语言时间序列数据指数平滑法分析交互式动态可视化

用R语言制作交互式图表和地图

如何用r语言制作交互可视化报告图表

K-means和层次聚类分析癌细胞系微阵列数据和树状图可视化比较

KMEANS均值聚类和层次聚类:亚洲国家地区生活幸福质量异同可视化分析和选择最佳聚类数

PYTHON实现谱聚类算法和改变聚类簇数结果可视化比较

有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据

R语言多维数据层次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据

r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化

Python Monte Carlo K-Means聚类实战研究

R语言k-Shape时间序列聚类方法对股票价格时间序列聚类

R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归

R语言谱聚类、K-MEANS聚类分析非线性环状数据比较

R语言实现k-means聚类优化的分层抽样(Stratified Sampling)分析各市镇的人口

R语言聚类有效性:确定最优聚类数分析IRIS鸢尾花数据和可视化

Python、R对小说进行文本挖掘和层次聚类可视化分析案例

R语言k-means聚类、层次聚类、主成分(PCA)降维及可视化分析鸢尾花iris数据集

R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间

R语言用温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图可视化

R语言k-Shape时间序列聚类方法对股票价格时间序列聚类

R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析

R语言复杂网络分析:聚类(社区检测)和可视化

R语言中的划分聚类模型

基于模型的聚类和R语言中的高斯混合模型

r语言聚类分析:k-means和层次聚类

SAS用K-Means 聚类最优k值的选取和分析

用R语言进行网站评论文本挖掘聚类

基于LDA主题模型聚类的商品评论文本挖掘

R语言鸢尾花iris数据集的层次聚类分析

R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归

R语言聚类算法的应用实例

27dc7825e6bf27e609685ad873ea5904.png

828a82590e2d61a9609ef0ecce788800.jpeg

6e726559a18de45f3e0abd3d695d71ad.png

这篇关于R语言关联规则Apriori对抗肿瘤中药数据库知识发现研究的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/361114

相关文章

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

C# WinForms存储过程操作数据库的实例讲解

《C#WinForms存储过程操作数据库的实例讲解》:本文主要介绍C#WinForms存储过程操作数据库的实例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、存储过程基础二、C# 调用流程1. 数据库连接配置2. 执行存储过程(增删改)3. 查询数据三、事务处

mysql数据库重置表主键id的实现

《mysql数据库重置表主键id的实现》在我们的开发过程中,难免在做测试的时候会生成一些杂乱无章的SQL主键数据,本文主要介绍了mysql数据库重置表主键id的实现,具有一定的参考价值,感兴趣的可以了... 目录关键语法演示案例在我们的开发过程中,难免在做测试的时候会生成一些杂乱无章的SQL主键数据,当我们

Spring Boot 整合 MyBatis 连接数据库及常见问题

《SpringBoot整合MyBatis连接数据库及常见问题》MyBatis是一个优秀的持久层框架,支持定制化SQL、存储过程以及高级映射,下面详细介绍如何在SpringBoot项目中整合My... 目录一、基本配置1. 添加依赖2. 配置数据库连接二、项目结构三、核心组件实现(示例)1. 实体类2. Ma

C语言中的数据类型强制转换

《C语言中的数据类型强制转换》:本文主要介绍C语言中的数据类型强制转换方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C语言数据类型强制转换自动转换强制转换类型总结C语言数据类型强制转换强制类型转换:是通过类型转换运算来实现的,主要的数据类型转换分为自动转换

利用Go语言开发文件操作工具轻松处理所有文件

《利用Go语言开发文件操作工具轻松处理所有文件》在后端开发中,文件操作是一个非常常见但又容易出错的场景,本文小编要向大家介绍一个强大的Go语言文件操作工具库,它能帮你轻松处理各种文件操作场景... 目录为什么需要这个工具?核心功能详解1. 文件/目录存javascript在性检查2. 批量创建目录3. 文件

C语言实现两个变量值交换的三种方式

《C语言实现两个变量值交换的三种方式》两个变量值的交换是编程中最常见的问题之一,以下将介绍三种变量的交换方式,其中第一种方式是最常用也是最实用的,后两种方式一般只在特殊限制下使用,需要的朋友可以参考下... 目录1.使用临时变量(推荐)2.相加和相减的方式(值较大时可能丢失数据)3.按位异或运算1.使用临时

使用C语言实现交换整数的奇数位和偶数位

《使用C语言实现交换整数的奇数位和偶数位》在C语言中,要交换一个整数的二进制位中的奇数位和偶数位,重点需要理解位操作,当我们谈论二进制位的奇数位和偶数位时,我们是指从右到左数的位置,本文给大家介绍了使... 目录一、问题描述二、解决思路三、函数实现四、宏实现五、总结一、问题描述使用C语言代码实现:将一个整

SpringCloud之consul服务注册与发现、配置管理、配置持久化方式

《SpringCloud之consul服务注册与发现、配置管理、配置持久化方式》:本文主要介绍SpringCloud之consul服务注册与发现、配置管理、配置持久化方式,具有很好的参考价值,希望... 目录前言一、consul是什么?二、安装运行consul三、使用1、服务发现2、配置管理四、数据持久化总

查看Oracle数据库中UNDO表空间的使用情况(最新推荐)

《查看Oracle数据库中UNDO表空间的使用情况(最新推荐)》Oracle数据库中查看UNDO表空间使用情况的4种方法:DBA_TABLESPACES和DBA_DATA_FILES提供基本信息,V$... 目录1. 通过 DBjavascriptA_TABLESPACES 和 DBA_DATA_FILES