### 使用 Python 和机器学习从处方数据中提取核心药物组 为了从大量处方数据中提取核心药物组，可以借助机器学习技术中的聚类分析或关联规则挖掘方法。这里提供一种基于关联规则挖掘的解决方案，具体来说是利用 Apriori 算法来发现频繁项集，并进一步生成核心药物组合。 #### 1. 数据准备 假设输入是一个 DataFrame 表格 `prescription_data`，其中每一行代表一条处方记录，列名表示不同的药品名称，值为布尔型（True/False），指示某药是否存在于该处方中。 ```python import pandas as pd from mlxtend.frequent_patterns import apriori, association_rules def extract_core_drug_groups_ml(prescription_data, min_support=0.1, metric="confidence", min_threshold=0.7): """ 利用机器学习方法从处方数据中提取核心药物组 参数: prescription_data (pd.DataFrame): 输入的处方数据表，布尔型矩阵形式。 min_support (float): 频繁项集的支持度阈值，默认为0.1。 metric (str): 关联规则评估指标，默认为'confidence'。 min_threshold (float): 度量阈值，默认为0.7。 返回: core_drugs (pd.DataFrame): 核心药物组合及其支持度和置信度信息。 """ # 计算频繁项集 frequent_itemsets = apriori(prescription_data, min_support=min_support, use_colnames=True) # 基于频繁项集生成关联规则 rules = association_rules(frequent_itemsets, metric=metric, min_threshold=min_threshold) # 过滤出核心药物组（前件与后件） core_drugs = rules[(rules['antecedents'].apply(len) >= 2) & (rules['consequents'].apply(len) >= 1)] return core_drugs ``` 此函数实现了以下功能： - **频繁项集计算**：通过 `apriori` 函数找到满足最小支持度条件的频繁项集[^5]。 - **关联规则生成**：使用 `association_rules` 方法生成关联规则，并根据指定的评价指标过滤结果[^6]。 #### 2. 示例代码运行 下面是如何调用上述函数并打印结果的例子： ```python # 构造示例数据 data = { 'DrugA': [True, False, True, True], 'DrugB': [True, True, False, True], 'DrugC': [False, True, True, True], 'DrugD': [True, False, True, False] } df_prescriptions = pd.DataFrame(data) # 调用函数 core_drug_groups = extract_core_drug_groups_ml(df_prescriptions, min_support=0.2, metric="lift", min_threshold=1.2) print(core_drug_groups[['antecedents', 'consequents', 'support', 'confidence', 'lift']]) ``` 在此过程中，可以通过调整参数 `min_support`, `metric`, 和 `min_threshold` 来优化模型性能，从而更好地适应特定场景下的需求[^7]。 --- ###