Volltextlink: tecdat.cn/?p=30605
Kürzlich wurden wir von einem Kunden gebeten, einen Forschungsbericht über die Behandlung von patentierten Wirkstoffen in der chinesischen Medizin zu schreiben, einschließlich einiger Grafiken und statistischer Ergebnisse.
Anwendung von Data-Mining-Techniken wie Assoziationsregeln und Clustering-Methoden zur Analyse der Kompatibilitätsregeln von Patentrezepten für Wirkstoffe der traditionellen chinesischen Medizin
Methoden Die Patentrezepte für zusammengesetzte Rezepte der traditionellen chinesischen Medizin wurden abgerufen, und die Rezepte für zusammengesetzte Rezepte der externen chinesischen Medizin und Kombinationen aus chinesischer und westlicher Medizin wurden ausgeschlossen. Wir wurden kürzlich gebeten, einen Forschungsbericht über die Regelmäßigkeit von Medikamenten zu schreiben, einschließlich einiger grafischer und statistischer Ergebnisse. Die ausgewählten Patentverbindungen der traditionellen chinesischen Medizin wurden durch Terminologiestandardisierung verarbeitet, Informationen wurden extrahiert, Tabellen wurden erstellt, Datenanalysesoftware R wurde verwendet, um Datenzuordnungsregeln zu analysieren, und Netzwerkanalysesoftware wurde verwendet, um Clusteranalysen durchzuführen.
Daten anzeigen
In binäre Matrixdaten umwandeln
colnames(data) <- paste0("X",1:ncol(data))
database <- NULL
for(i in 1:nrow(data)) {
tmp <- integer(length(total_types))
复制代码a priori bauen
plot(all_rules, method = "graph")
复制代码Klicken Sie auf den Titel, um vergangene Inhalte anzuzeigen
Wischen Sie nach links und rechts, um mehr zu sehen
01
02
03
04
Analyse der Assoziationsregeln von Patentverbindungsrezeptpaaren der traditionellen chinesischen Medizin
Das Medikamentenpaar ist die Grundform der Verschreibungskompatibilität, die die Kompatibilitätsbeziehung zwischen traditionellen chinesischen Arzneimitteln widerspiegelt, wie z. B. gegenseitige Ergänzung, entgegengesetzte Ergänzung und ähnliche Ergänzung. Die chinesischen Arzneimittel in dem Arzneimittelpaar haben die Eigenschaften, dass sie zur gleichen Zeit in der Verschreibung erscheinen, wenn die Verschreibung kombiniert wird. Daher kann bei der Analyse der Assoziationsregeln das Arzneimittelpaar erhalten werden, indem die Regeln mit hoher Zuverlässigkeit und zweifach analysiert werden. Weg Verband.
Filtern Sie starke Assoziationsregeln basierend auf Vertrauen und Unterstützung
K-Mittelwert-Netzwerk-Cluster-Analyse
Zwischen den Arzneimitteln in der Patentverbindung der traditionellen chinesischen Medizin für Depressionen bildet sich ein komplexes Netzwerk von Kompatibilitätsbeziehungen.Assoziationsregelanalyse kann verwendet werden, um Arzneimittelpaare und starke Assoziationsregeln zu finden.Emergenz erschwert die Analyse des Kompatibilitätsgesetzes und der Anwendung der Netzwerk-Clustering-Methode kann das Kompatibilitätsgesetz effektiv finden.
#聚类类别号
kmod$cluster
复制代码Zeigen Sie starke Assoziationsregeln in jeder Kategorie an
Cluster 1
Cluster 2
Die Ergebnisse der Clusteranalyse des Kompatibilitätsbeziehungsnetzwerks zeigten die „Gemeinschaften“ traditioneller chinesischer Arzneimittel, die häufig zur Behandlung von Depressionen verwendet werden, was eine Kombination traditioneller chinesischer Arzneimittel mit relativ enger und fester Kompatibilität in der zusammengesetzten Verschreibung widerspiegelt und die klinische Anwendung verbessern kann die Heilwirkung.
Klicken Sie am Ende des Artikels auf "Originaltext lesen".
Holen Sie sich den vollständigen Text und vollständiges Code-Datenmaterial.
Dieser Artikel ist aus „R Language APRIORI Association Rules, K-MEANS Mean Value Clustering Data Mining Network Visualization of Medication Rules of Traditional Chinese Medicine Patent Compound Treatment“ ausgewählt.
Klicken Sie auf den Titel, um vergangene Inhalte anzuzeigen
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
Modellbasiertes Clustering und Gaußsches Mischungsmodell in R-
Sprache Clustering-Analyse in R-Sprache: k-Means und hierarchisches Clustering
SAS mit K-Means-Clustering Optimale Auswahl und Analyse von K-Werten
mit R-Sprache für Website-Kommentare Text-Mining-Clustering Commodity-
Review-Text-Mining basierend auf LDA-Themenmodell-Clustering
R-Sprache Iris Iris-Datensatz hierarchische Clustering-Analyse R-Sprache K-Medoids-Clustering-Modellierung und GAM-Regression R-Sprache Clustering-Algorithmus
für Stromlast-Zeitreihendaten