简介本资源是一套面向中医药数据挖掘初学者与临床科研人员的Apriori关联规则实战教学包聚焦中医证型间共现规律挖掘这一关键问题助力传统中医理论与现代数据分析方法融合。压缩包共8个文件5个MATLAB脚本、1份PDF原理说明、1个Excel临床数据表、1个TXT参数说明总大小1.35MB其中filter_rules.m等核心脚本实现规则筛选与评估trans2matrix.m完成证型数据矩阵化配套PDF详解算法逻辑与中医应用场景Excel数据表提供真实感的模拟临床证型记录。已有2611人学习下载适合希望掌握从数据预处理、频繁项集挖掘到置信度/支持度分析全流程的用户。资源结构清晰、代码可直接运行附带完整注释与参数调优提示显著降低中医领域关联规则建模门槛为辨证施治优化与新证候发现提供可复用的技术路径。1. 为什么用 Apriori 挖中医证型关联规则不是为了找“玄学规律”而是建可验证的辨证逻辑链临床常遇到这样的困惑患者同时出现“舌淡胖、脉沉细、畏寒肢冷、纳呆便溏”老中医脱口而出“脾肾阳虚”但年轻医生翻遍教材也难确认这四症是否真具备统计意义上的共现稳定性又比如电子病历里“肝郁气滞”常与“月经不调”“胁肋胀痛”“情绪抑郁”高频并存但具体哪些组合出现概率超过阈值、哪些是偶然叠加缺乏量化支撑。Apriori 关联规则挖掘在此类场景中不是替代辨证思维而是把经验性判断转化为可复现、可回溯、可压测的逻辑链条——它不回答“为什么是脾肾阳虚”但能明确回答“当舌淡胖脉沉细同时出现时后续观察到畏寒肢冷的概率达 82.3%支持率 0.37置信度 0.76”。这类输出直接服务于结构化证候数据库建设、辅助诊断路径设计、以及中药配伍规律反向验证。适用对象包括中医临床科研人员需从海量病历中提炼证-症-方映射、中医药信息学开发者构建证候推理引擎、以及高校《中医数据挖掘》课程实践者要求在真实或模拟证候数据集上跑通完整 pipeline。本篇聚焦从原始证型字段出发绕过文本分词陷阱直击 Apriori 在离散化证候变量上的标准落地路径。2. 为什么必须先做证型离散化与事务表重构而不是直接扔进 mlxtendApriori 算法对输入数据格式有刚性约束它不接受“证型肝郁脾虚”这样的字符串字段而要求每条记录为一个项集itemset即无序、去重、原子化的症状/证素/证型标签集合。中医证型数据天然存在三重结构矛盾一是复合证型如“肝郁脾虚夹湿”含多个证素二是同一患者可能被标注多个证型如“主证痰瘀互结兼证心气不足”三是电子病历中证型常以自由文本录入存在“肝郁脾虚”“肝郁脾虚”“肝郁脾虚证”等不规范表达。若跳过预处理直接调用mlxtend.frequent_patterns.apriori会因项粒度不一致导致支持度计算失真——例如“肝郁脾虚”和“肝郁”被当作完全独立项无法反映证素层级关系。2.1 证型原子化拆解复合证型为最小证素单元常见做法是建立《中医证素标准化编码表》将复合证型按语义拆解为不可再分的证素。例如原始证型拆解后证素列表肝郁脾虚[肝郁, 脾虚]痰瘀互结[痰, 瘀]肝郁脾虚夹湿[肝郁, 脾虚, 湿]心肾不交[心火亢盛, 肾阴亏虚]提示证素选择需依据《中医证候诊断疗效标准》或课题组共识避免主观拆分。例如“阴虚火旺”宜拆为[阴虚, 火旺]而非[阴虚火旺]单一项否则无法捕获“阴虚”与其他证素的关联。2.2 构建事务数据集从患者记录到二元项集矩阵以某三甲医院脾胃科 2022 年 1200 例门诊病历为例原始数据含patient_id,syndrome_raw原始证型字段两列。需执行以下转换import pandas as pd from mlxtend.preprocessing import TransactionEncoder import numpy as np # 1. 加载并清洗原始证型数据 df pd.read_csv(syndrome_raw.csv) df[syndrome_clean] df[syndrome_raw].str.replace(r[^\w\s], , regexTrue).str.strip() # 2. 定义证素映射字典此处仅示意实际需覆盖全部证型 syndrome_mapping { 肝郁脾虚: [肝郁, 脾虚], 痰瘀互结: [痰, 瘀], 肝郁脾虚夹湿: [肝郁, 脾虚, 湿], 脾虚湿盛: [脾虚, 湿], # ... 其他映射 } # 3. 生成事务列表每行对应一位患者的证素集合 transactions [] for idx, row in df.iterrows(): raw row[syndrome_clean] if raw in syndrome_mapping: transactions.append(syndrome_mapping[raw]) else: # 对未映射证型作降级处理保留原字符串作为原子项慎用 transactions.append([raw]) # 4. 编码为二元矩阵 te TransactionEncoder() te_ary te.fit(transactions).transform(transactions) df_encoded pd.DataFrame(te_ary, columnste.columns_) # 查看前5行编码结果 print(df_encoded.head())此步骤输出df_encoded是一个布尔型 DataFrame列名为所有唯一证素如肝郁,脾虚,痰,瘀,湿...行为患者 ID值为True/False表示该患者是否具备该项证素。这是 Apriori 的合法输入格式也是后续所有参数调优的基础。2.2.1 验证事务表质量检查稀疏性与项频次分布事务表若过于稀疏多数列为全 False或某证素出现频率畸高如“脾虚”占比超 80%会导致算法失效。需用以下代码快速诊断# 统计每项支持频次 item_support df_encoded.sum(axis0).sort_values(ascendingFalse) print(Top 10 frequent items:) print(item_support.head(10)) # 计算稀疏度非零元素占比 sparsity 1 - (df_encoded.sum().sum() / (df_encoded.shape[0] * df_encoded.shape[1])) print(fSparsity: {sparsity:.3f}) # 检查是否存在“幽灵项”仅出现1次的证素 rare_items item_support[item_support 1].index.tolist() print(fRare items (appearing only once): {len(rare_items)})注意若rare_items数量 总项数的 15%说明证型标注颗粒度太细或存在大量录入噪声应合并近义项如“心气虚”与“心阳虚”归为“心气不足”大类或设置最小支持度过滤。3. Apriori 参数精调实战min_support 与 min_confidence 的中医语境设定Apriori 的核心参数min_support最小支持度和min_confidence最小置信度不能凭空设定需结合中医证候研究的实际需求与数据规模动态调整。盲目套用教科书推荐值如 support0.01, confidence0.5会导致结果泛滥或空集。3.1 支持度阈值从临床意义反推最小共现人数支持度support(X→Y) P(X ∪ Y)表示 X 和 Y 同时出现的概率。在 1200 例样本中若设min_support0.05则要求规则至少在 60 例中同时出现。但中医证型共现具有强领域特性高频基础证素如“脾虚”“气虚”天然支持度高设 0.05 可能产生数百条冗余规则低频复合证型如“肝郁化火夹瘀”支持度常低于 0.01一刀切会丢失关键病理链条。推荐做法分层设定支持度下限对单证素如“脾虚”“肝郁”min_support max(0.02, 30 / n_samples)→ 保证至少 30 例共现避免小样本波动对双证素组合如“肝郁脾虚”min_support max(0.01, 15 / n_samples)对三证素及以上min_support max(0.005, 8 / n_samples)from mlxtend.frequent_patterns import apriori # 根据样本量动态计算分层支持度 n_samples len(df_encoded) min_support_levels { 1: max(0.02, 30 / n_samples), # 单项 2: max(0.01, 15 / n_samples), # 双项 3: max(0.005, 8 / n_samples) # 三项 } # 分别挖掘不同长度的频繁项集 frequent_itemsets {} for k, min_sup in min_support_levels.items(): freq_k apriori(df_encoded, min_supportmin_sup, max_lenk, use_colnamesTrue) frequent_itemsets[k] freq_k print(fFrequent {k}-itemsets (min_support{min_sup:.4f}): {len(freq_k)}) # 合并所有频繁项集用于规则生成 all_frequent pd.concat(list(frequent_itemsets.values()), ignore_indexTrue)3.2 置信度阈值用临床可解释性校准置信度confidence(X→Y) P(Y|X) support(X∪Y)/support(X)表示“当 X 存在时Y 出现的概率”。在中医中confidence ≥ 0.7意味着若观察到证素 X则有 70% 以上把握预期 Y 同时存在具备辅助诊断价值。但需警惕两类陷阱陷阱类型示例识别方法处理方式假高置信X舌淡胖→Y脾虚因“舌淡胖”几乎只出现在脾虚证中但support(X)极低0.005导致confidence虚高检查规则的support(X)是否低于 0.01添加lift指标过滤要求lift 1.2临床无效高置信X年龄60→Y肾虚虽置信度 0.85但属生理衰老范畴非病理性辨证依据规则前件/后件含非证候变量如年龄、性别预处理阶段剔除非证素字段from mlxtend.frequent_patterns import association_rules # 生成关联规则强制 lift 1.2 过滤假相关 rules association_rules( all_frequent, metricconfidence, min_threshold0.7 ).query(lift 1.2).sort_values(confidence, ascendingFalse) # 仅保留证素间的规则排除含age,gender等字段 valid_rules rules[~rules[antecedents].apply(lambda x: any(age in str(i).lower() for i in x)) ~rules[consequents].apply(lambda x: any(age in str(i).lower() for i in x))] print(fValid clinical rules: {len(valid_rules)}) print(valid_rules[[antecedents, consequents, support, confidence, lift]].head(10))3.2.1 解读典型规则从数学指标到中医逻辑以输出中一条规则为例antecedents: {肝郁} → consequents: {脾虚}support0.18,confidence0.73,lift1.42支持度 0.181200 例中有 216 例同时存在“肝郁”和“脾虚”置信度 0.73在所有“肝郁”患者中共 296 例73% 同时存在“脾虚”提示肝郁易克脾土的临床普遍性提升度 1.42P(脾虚|肝郁)/P(脾虚) 0.73 / 0.51 ≈ 1.42说明“肝郁”使“脾虚”发生概率提升 42%非随机关联。提示lift 1 表示负相关如X→Y的 lift0.6意味着 X 存在时 Y 反而更少出现在中医中可能揭示证型转化禁忌值得单独分析。4. 中医证型关联规则的三大落地陷阱与规避方案Apriori 输出的规则列表看似客观但在中医语境下直接应用极易误判。以下三个高发陷阱每个都对应具体代码级解决方案。4.1 陷阱一忽略证素层级关系把“肝郁”与“肝郁化火”当作独立项问题本质肝郁化火包含肝郁若两者均作为原子项存在算法会生成肝郁 → 肝郁化火置信度 1.0这类平凡规则掩盖真正有价值的跨层级关联如肝郁 → 痰瘀互结。解决方案构建证素继承树预处理时展开子项# 定义证素层级关系父项→子项 hierarchy { 肝郁: [肝郁化火, 肝郁脾虚, 肝郁血瘀], 脾虚: [脾虚湿盛, 脾虚夹瘀], 肾虚: [肾阴虚, 肾阳虚, 肾精不足] } # 将子项自动扩展为其父项例如肝郁化火 → [肝郁化火, 肝郁] def expand_with_hierarchy(items): expanded set(items) for item in items: if item in hierarchy: expanded.update(hierarchy[item]) return list(expanded) # 应用到事务列表 expanded_transactions [expand_with_hierarchy(t) for t in transactions] te_exp TransactionEncoder() te_ary_exp te_exp.fit(expanded_transactions).transform(expanded_transactions) df_expanded pd.DataFrame(te_ary_exp, columnste_exp.columns_)此操作确保肝郁化火患者必然被标记为肝郁使肝郁 → 肝郁化火规则失去意义算法被迫挖掘更深层的肝郁 → 痰或肝郁 → 瘀等病理传导路径。4.2 陷阱二未区分主证与兼证导致规则权重失真临床中“主证肝郁脾虚兼证湿” 与 “主证湿兼证肝郁脾虚” 的病理重心截然不同但原始事务表将二者均编码为{肝郁, 脾虚, 湿}抹平了主次差异。解决方案为主证添加权重标识改造为加权 Apriori标准 Apriori 不支持权重但可通过重复采样模拟主证项在事务中出现 1 次兼证项出现 0.3 次向下取整为 0 或 1。实际采用虚拟复制法# 假设原始数据含主证列 main_syndrome 和兼证列 associate_syndrome df_weighted pd.DataFrame() for idx, row in df.iterrows(): main_items syndrome_mapping.get(row[main_syndrome], []) assoc_items syndrome_mapping.get(row[associate_syndrome], []) # 主证项复制 3 次增强影响力 weighted_items main_items * 3 # 兼证项复制 1 次 weighted_items.extend(assoc_items) # 去重后仍保持主证优先级 weighted_items list(set(weighted_items)) df_weighted pd.concat([df_weighted, pd.Series([weighted_items])], ignore_indexTrue) # 后续用 df_weighted 代替原 transactions 进行编码4.3 陷阱三未验证规则的临床一致性陷入“数据正确但中医错误”算法可能输出痰 → 瘀lift1.35但中医理论中“痰瘀互结”是双向因果单纯痰 → 瘀易误导为单向病理链。需引入专家知识库进行后验校验。解决方案构建中医规则校验字典自动标记冲突# 定义中医理论约束key: 规则字符串, value: 理论状态 tcm_constraints { {痰} {瘀}: bidirectional, # 需同时存在反向规则 {肝郁} {脾虚}: accepted, # 理论支持 {阴虚} {阳虚}: contradicted # 理论矛盾阴虚不直接致阳虚 } # 批量校验规则 def validate_rule(rule_str, constraints): if rule_str in constraints: status constraints[rule_str] if status contradicted: return ❌ 理论矛盾 elif status bidirectional: # 检查反向规则是否存在 ant, con rule_str.split( ) reverse_str f{con} {ant} if reverse_str in constraints and constraints[reverse_str] bidirectional: return ✅ 双向支持 else: return ⚠️ 单向存在需补全 else: return ✅ 理论支持 else: return ❓ 未定义需专家审核 # 应用校验 rules[validation] rules.apply( lambda r: validate_rule( f{set(r[antecedents])} {set(r[consequents])}, tcm_constraints ), axis1 ) print(rules[[antecedents, consequents, validation]].head(10))5. 用 lift 指标筛选高价值规则一张表锁定可直接入临床路径的证型组合置信度confidence只能说明“X 出现时 Y 多大概率出现”但无法区分这是强因果还是弱伴随。lift提升度才是衡量规则实际价值的黄金指标——它揭示 X 与 Y 的共现是否显著高于随机水平。在中医证型挖掘中lift 1.5 的规则往往对应经典病理链条可直接支撑诊疗路径优化。5.1 lift 的中医解读从数值到病机lift 区间临床含义典型示例应用建议lift 0.8负相关X 存在抑制 Y{气虚} → {实热}提示证型转化禁忌纳入辨证反向提醒0.8 ≤ lift ≤ 1.2接近随机无实质关联{失眠} → {腰膝酸软}老年群体共现剔除避免干扰核心规则1.2 lift ≤ 1.5中等强度关联需结合其他证据{肝郁} → {胃脘胀满}作为辅助诊断线索标注“需四诊合参”lift 1.5强关联符合经典病机{痰} → {眩晕},{瘀} → {刺痛}直接写入智能辅助系统触发预警5.2 实战提取 lift 1.5 的高价值规则并导出临床速查表# 筛选高 lift 规则 high_lift_rules rules[rules[lift] 1.5].copy() high_lift_rules[antecedents_str] high_lift_rules[antecedents].apply( lambda x: .join(sorted(list(x))) ) high_lift_rules[consequents_str] high_lift_rules[consequents].apply( lambda x: .join(sorted(list(x))) ) # 构建临床速查表含病机注释 clinical_lookup high_lift_rules[[ antecedents_str, consequents_str, support, confidence, lift ]].rename(columns{ antecedents_str: 前提证素, consequents_str: 推导证素, support: 共现率, confidence: 推导可信度, lift: 病机强度 }) # 添加人工注释列此处用字典映射实际需专家填写 pathogenesis_notes { 痰: 津液输布失常凝聚成痰蒙蔽清窍, 瘀: 血行不畅瘀阻脉络不通则痛, 肝郁: 情志不遂肝失疏泄气机郁滞 } clinical_lookup[病机简释] clinical_lookup[推导证素].map( lambda x: .join([pathogenesis_notes.get(i.strip(), ) for i in x.split( )]) ) # 导出为 Excel 供临床科室使用 clinical_lookup.to_excel(high_value_syndrome_rules.xlsx, indexFalse) print(✅ 高价值证型规则已导出至 high_value_syndrome_rules.xlsx) print(clinical_lookup.head(8))输出表格示例前提证素推导证素共现率推导可信度病机强度病机简释痰眩晕0.210.851.92津液输布失常凝聚成痰蒙蔽清窍瘀刺痛0.180.912.03血行不畅瘀阻脉络不通则痛肝郁 脾虚乏力0.150.781.67情志不遂肝失疏泄气机郁滞脾失健运气血生化乏源这张表可直接嵌入医院 HIS 系统当医生录入“痰”和“眩晕”时系统自动弹出“病机痰浊上扰清窍”并推荐“半夏白术天麻汤”加减方案。这才是 Apriori 在中医信息化中的真实落点——不制造新理论而是把沉淀千年的辨证智慧变成可计算、可触发、可验证的临床基础设施。本文还有配套的精品资源点击获取