目录

项目地址：Datamining_project: 数据挖掘实战项目代码

一、背景和挖掘目标

1、问题背景

• 中医药治疗乳腺癌有着广泛的适应证和独特的优势。从整体出发，调整机体气血、阴阳、脏腑功能的平衡，根据不同的临床证候进行辨证论治。确定“先证而治”的方向：即后续证侯尚未出现之前，需要截断恶化病情的哪些后续证侯。
• 找出中医症状间的关联关系和诸多症状间的规律性，并且依据规则分析病因、预测病情发展以及为未来临床诊治提供有效借鉴。能够帮助乳腺癌患者手术后体质的恢复、生存质量的改善，有利于提高患者的生存机率。

2、传统方法的缺陷

• 中医辨证极为灵活，虽能够处理患者的复杂多变的临床症状，体现出治疗优势。但缺乏统一的规范，难以做到诊断的标准化。
• 疾病的复杂性和体质的差异性，造成病人大多是多种证素兼夹复合。临床医师可能会被自身的经验所误导，单纯对症治疗，违背了中医辨证论治的原则。
• 同一种疾病的辨证分型，往往都有不同见解，面对临床症状不典型的患者，初学者很难判断。

3、原始数据情况

患者信息数据：包含患者的基本信息以及病理症状等。

4、挖掘目标

• 借助三阴乳腺癌患者的病理信息，挖掘患者的症状与中医证型之间的关联关系；
• 对截断治疗提供依据，挖掘潜性证素。

二、分析方法和过程

1、初步分析

• 针对乳腺癌患者，可运用中医截断疗法进行治疗，在辨病的基础上围绕各个病程的特殊证候先证而治型；
• 依据医学指南，将乳腺癌辨证统一化，为六种证型。且患者在围手术期、围化疗期、围放疗期和内分泌治疗期等各个病程阶段，基本都会出现特定的临床症状。
• 通过关联规则算法，挖掘各中医证素与乳腺癌TNM分期之间的关系。探索不同分期阶段的三阴乳腺癌患者的中医证素分布规律，以及截断病变发展、先期干预的治疗思路，指导三阴乳腺癌的中医临床治疗。

2、总体过程

 第1步：数据获取 

• 拟定调查问卷表并形成原始指标表；
• 定义纳入标准与排除标准；
• 将收集回来的问卷表整理成原始数据。

• 问卷信息采集者均要求有中医诊断学基础，能准确识别病人的舌苔脉象，用通俗的语言解释医学术语，并确保患者信息填写准确；
• 问卷调查对象必须是三阴乳腺癌患者，他们是某省中医院以及肿瘤医院等各大医院各病程阶段1253位三阴乳腺癌患者。

拟定调查问卷表并形成原始指标表:

 定义纳入标准与排除标准:

 第2步：数据预处理 

 2.属性规约：删除不相关属性，选取其中六种证型得分、患者编号和TNM分期属性。

数据离散化：Apriori关联规则算法无法处理连续性数值变量，对数据进行离散化。本例采用聚类算法对各个证型系数进行离散化处理，将每个属性聚成四类。

聚类离散化，最后的result的格式为：

      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个，(0.178698, 0.257724]有356个，依此类推。

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

datafile = '../data/data.xls'  # 待聚类的数据文件
processedfile = '../tmp/data_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())
result = pd.DataFrame()

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。
    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]]].as_matrix())  # 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(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]]][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)

    result = result.sort()  # 以Index排序，即以A,B,C,D,E,F顺序排
    result.to_excel(processedfile)

第3步：构建模型

1、中医证型关联模型：

import pandas as pd
from sklearn.cluster import KMeans

datafile = 'data.xls'  # 待聚类的数据文件
processedfile = 'data_processed.xlsx'  # 处理后的文件
typelabel = {'肝气郁结证型系数':'A', '热毒蕴结证型系数':'B', '冲任失调证型系数':'C', '气血两虚证型系数':'D', '脾胃虚弱证型系数':'E',
             '肝肾阴虚证型系数':'F'}
k = 4  # 需要的聚类类别数

# 读取数据并且进行聚类
data = pd.read_excel(datafile)
keys = list(typelabel.keys())
result = pd.DataFrame()

if __name__ == '__main__':  # 判断是否主窗口运行
    '''
    当.py文件被直接运行时，if __name__ == '__main__'之下的代码块将被运行；
    当.py文件以模块形式被导入时，if __name__ == '__main__'之下的代码块不被运行。
    '''
    for i in range(len(keys)): # 调用k-means算法,进行聚类离散化
        print('正在进行 "%s" 的聚类...' % keys[i])
        kmodel = KMeans(n_clusters=k)
        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(by= typelabel[keys[i]])  # 匹配聚类中心和类别数目,并按值排序
        r.index = [1, 2, 3, 4]

        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  # 将原来的聚类中心改为边界点
        result = result.append(r.T)

    result = result.sort_index()  # 以index排序，即以ABCDEF排序
    result.to_excel(processedfile)

 聚类之后的结果：

Apriori关联规则算法 

#-*- coding: utf-8 -*-
from __future__ import print_function
import pandas as pd

#自定义连接函数，用于实现L_{k-1}到C_k的连接
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

#寻找关联规则的函数
def find_rule(d, support, confidence, ms = u'--'):
  result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果
  
  support_series = 1.0*d.sum()/len(d) #支持度序列
  column = list(support_series[support_series > support].index) #初步根据支持度筛选
  k = 0
  
  while len(column) > 1:
    k = k+1
    print(u'\n正在进行第%s次搜索...' %k)
    column = connect_string(column, ms)
    print(u'数目：%s...' %len(column))
    sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数
    
    #创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
    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) #计算连接后的支持度
    column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选
    support_series = support_series.append(support_series_2)
    column2 = []
    
    for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是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]) #定义置信度序列
 
    for i in column2: #计算置信度序列
      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: #置信度筛选
      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) #结果整理，输出
  print(u'\n结果为：')
  print(result)
  
  return result

 首先设置建模参数最小支持度、最小置信度，输入建模样本数据。然后采用Apriori关联规则算法对建模的样本数据进行分析，以模型参数设置的最小支持度、最小置信度以及分析目标作为条件，如果所有的规则都不满足条件，则需要重新调整模型参数，否则输出关联规则结果。

import pandas as pd
# from apriori import *  # 导入自行编写的高效的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.perf_counter()  # 计时开始(新版本不支持clock，用time.perf_counter()替换)
print('\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，即将标签数据转换为1
b = map(ct, data.values)  # 用map方式执行

# Dataframe参数不能是迭代器
c = list(b)
data = pd.DataFrame(c).fillna(0)  # 实现矩阵转换，除了1外，其余为空，空值用0填充
end = time.perf_counter()  # 计时结束
print('\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，需要保证原始表格不含有该字符

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

2、模型分析

TNM分期为H4期的三阴乳腺癌患者证型主要为肝肾阴虚证、热毒蕴结证、肝气郁结证和冲任失调，H4期患者肝肾阴虚证和肝气郁结证的临床表现较为突出，其置信度最大达到87.96%。

 3、模型应用

根据关联结果，结合实际情况，为患者未来的症治提供有效的帮助。

a)IV期患者出现肝肾阴虚证之表现时，应当以滋养肝肾为补，清热解毒为攻，攻补兼施，截断热毒蕴结证的出现。

b)患者多有肝气郁结证的表现，治疗时须重视心理调适，对其进行身心一体的综合治疗。

三、思考和总结

1、Python的流行库中都没有自带的关联规则函数，相应的关联规则函数，函数依赖于Pandas库。该函数是很高效的（就实现Apriori算法而言），可作为工具函数在需要时使用。

• 2、Apriori算法的关键两步为找频繁集与根据置信度筛选规则，明白这两步过程后，才能清晰的编写相应程序。
• 3、本案例采用聚类的方法进行数据离散化，其他的离散化方法如：等距、等频、决策树、基于卡方检验等，试比较各个方法的优缺点。