目录

一、背景和挖掘目标

1、问题背景

2、传统方法的缺陷

3、原始数据情况

4、挖掘目标

二、分析方法和过程

1、初步分析

2、总体过程

第1步：数据获取

第2步：数据预处理

第3步：构建模型

三、思考和总结

---

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。

问卷调查需要满足两个条件:

• 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

3. 数据变换

属性构造：为了更好的反应出中医证素分布的特征，采用证型系数代替具体单证型的证素得分，证型相关系数计算公式如下：证型系数 = 该证型得分／该证型总分。

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。