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
患者信息属性说明:针对患者的信息,对每个属性进行相应说明。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
采用调查问卷的形式对数据进行搜集。- 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:
标准 | 详细信息 |
纳入标准 | 病理诊断为乳腺癌。病历完整,能提供既往接受检查、治疗等相关信息,包括发病年龄、月经状态、原发肿瘤大小、区域淋巴结状态、组织学类型、组织学分级、P53表达、VEGF表达等,作为临床病理及肿瘤生物学的特征指标。没有精神类疾病,能自主回答问卷调查者。 |
排除标准 | 本研究中临床、病理、肿瘤生物学指标不齐全者。存在第二肿瘤(非乳腺癌转移)。精神病患者或不能自主回答问卷调查者。不愿意参加本次调查者或中途退出本次调查者。填写的资料无法根据诊疗标准进行分析者。 |
第2步:数据预处理
1.数据清洗:收回的问卷中,存在无效的问卷,为了便于模型分析,需要对其进行清洗处理。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。
患者 编号 | 肝气郁结证得分 | 热毒蕴结证得分 | 冲任失调证得分 | 气血两虚证得分 | 脾胃虚弱证得分 | 肝肾阴虚证得分 | TNM分期 |
20140001 | 7 | 30 | 7 | 23 | 18 | 17 | H4 |
20140179 | 12 | 34 | 12 | 16 | 19 | 5 | H4 |
…… | …… | …… | …… | …… | …… | …… | …… |
20140930 | 4 | 4 | 12 | 12 | 7 | 15 | H4 |
![](https://aitechtogether.com/wp-content/uploads/2023/04/2f83f06a-5173-4961-ad18-d6bfa3c53d34.webp)
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:
采用关联规则算法,输入建模参数,探索乳腺癌患者TNM分期与中医证型系数之间的关系,挖掘他们之间的关联关系。注:结合实际业务分析且需要多次设置,确定最小支持度与最小置信度。本例的输入参数为:最小支持度6%、最小置信度75%。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。
文章出处登录后可见!