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
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")
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:
(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"))
点击标题查阅往期内容
PYTHON在线零售数据关联规则挖掘APRIORI算法数据可视化
左右滑动查看更多
01
02
03
04
②四气、归经
点击标题查阅往期内容
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
左右滑动查看更多
01
02
03
04
2)药性**-** 功效关联性分析
①四气、功能
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"))
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"))
(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"))
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
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!