[Python數據挖掘]第8章、中醫證型關聯規則挖掘

1、背景和挖掘目標

 

2、分析方法與過程

一、數據獲取

 

二、數據預處理

 1.篩選有效問卷（根據表8-6的標準）

 共發放1253份問卷，其中有效問卷數爲930

 2.屬性規約

3.數據變換

 

'''
聚類離散化，最後的result的格式爲：
      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

typelabel ={u'肝氣鬱結證型係數':'A', u'熱毒蘊結證型係數':'B', u'衝任失調證型係數':'C', u'氣血兩虛證型係數':'D', u'脾胃虛弱證型係數':'E', u'肝腎陰虛證型係數':'F'}
k = 4 #須要進行的聚類類別數

#讀取數據並進行聚類分析
data = pd.read_excel('data/data.xls') #讀取數據
keys = list(typelabel.keys())
result = pd.DataFrame()

if __name__ == '__main__': #判斷是否主窗口運行，若是是將代碼保存爲.py後運行，則須要這句，若是直接複製到命令窗口運行，則不須要這句。
  for i in range(len(keys)):
    #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是並行數，通常等於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
    r2 = pd.Series(kmodel.labels_).value_counts() #分類統計
    r2 = pd.DataFrame(r2, columns = [typelabel[keys[i]]+'n']) #轉爲DataFrame，記錄各個類別的數目
    r = pd.concat([r1, r2], axis = 1).sort_values(typelabel[keys[i]]) #匹配聚類中心和類別數目
    r.index = [1, 2, 3, 4]
    
    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，以此做爲邊界點。
    r[typelabel[keys[i]]][1] = 0.0 #這兩句代碼將原來的聚類中心改成邊界點。
    result = result.append(r.T)

  result.to_excel('tmp/data_processed.xls')

三、模型構建

首先準備apriori.py，代碼沒看懂，不過能夠直接調用

#apriori代碼
from __future__ import print_function
import pandas as pd

#自定義鏈接函數，用於實現L_{k-1}到C_k的鏈接
def connect_string(x, ms):
  x = list(map(lambda i:sorted(i.split(ms)), x))
  l = len(x[0])
  r = []
  for i in range(len(x)):
    for j in range(i,len(x)):
      if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]:
        r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]]))
  return r

#尋找關聯規則的函數
def find_rule(d, support, confidence, ms = u'--'):
  result = pd.DataFrame(index=['support', 'confidence']) #定義輸出結果
  
  support_series = 1.0*d.sum()/len(d) #支持度序列
  column = list(support_series[support_series > support].index) #初步根據支持度篩選
  k = 0
  
  while len(column) > 1:
    k = k+1
    print(u'\n正在進行第%s次搜索...' %k)
    column = connect_string(column, ms)
    print(u'數目：%s...' %len(column))
    sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的計算函數
    
    #建立鏈接數據，這一步耗時、耗內存最嚴重。當數據集較大時，能夠考慮並行運算優化。
    d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).T
    
    support_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #計算鏈接後的支持度
    column = list(support_series_2[support_series_2 > support].index) #新一輪支持度篩選
    support_series = support_series.append(support_series_2)
    column2 = []
    
    for i in column: #遍歷可能的推理，如{A,B,C}到底是A+B-->C仍是B+C-->A仍是C+A-->B？
      i = i.split(ms)
      for j in range(len(i)):
        column2.append(i[:j]+i[j+1:]+i[j:j+1])
    
    cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定義置信度序列
 
    for i in column2: #計算置信度序列
      cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])]
    
    for i in cofidence_series[cofidence_series > confidence].index: #置信度篩選
      result[i] = 0.0
      result[i]['confidence'] = cofidence_series[i]
      result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
  
  result = result.T.sort_values(['confidence','support'], ascending = False) #結果整理，輸出
  print(u'\n結果爲：')
  print(result)
  return result

from __future__ import print_function
import pandas as pd
from apriori import * #導入自行編寫的apriori函數
import time #導入時間庫用來計算用時

data = pd.read_csv('data/apriori.txt', header = None, dtype = object) #讀取數據

start = time.clock() #計時開始
print(u'\n轉換原始數據至0-1矩陣...')
ct = lambda x : pd.Series(1, index = x[pd.notnull(x)]) #轉換0-1矩陣的過渡函數
b = map(ct, data.as_matrix()) #用map方式執行
data = pd.DataFrame(list(b)).fillna(0) #實現矩陣轉換，空值用0填充
end = time.clock() #計時結束
print(u'\n轉換完畢，用時：%0.2f秒' %(end-start))
del b #刪除中間變量b，節省內存

support = 0.06 #最小支持度
confidence = 0.75 #最小置信度
ms = '---' #鏈接符，默認'--'，用來區分不一樣元素，如A--B。須要保證原始表格中不含有該字符

start = time.clock() #計時開始
print(u'\n開始搜索關聯規則...')
find_rule(data, support, confidence, ms)
end = time.clock() #計時結束
print(u'\n搜索完成，用時：%0.2f秒' %(end-start))