简介本资源是一套面向中医药数据挖掘初学者与Python入门者的中医证型关联规则分析实践代码包聚焦于从临床证候数据中自动发现高频共现证型组合及潜在规律。压缩包共5个文件含2个Excel数据表原始证型数据与预处理后结构化数据、2个文本说明文件算法原理简述与模块导入指南、1个核心Python脚本基于Apriori算法实现完整挖掘流程整体仅47KB轻量易读适合快速复现与教学演示。已有1351人学习下载反映出该方向在中医信息化与AI中医药交叉领域的实际需求。读者可直接运行code.py完成数据加载、预处理、频繁项集生成与关联规则提取全流程并通过xls文件对比原始与处理后数据形态借助txt文档理解关键参数设置逻辑与结果解读方法是掌握医疗领域典型关联分析落地的实用入门范例。1. 中医证型关联规则挖掘为什么用 Python 而不是 Excel 或 SPSS某高校中医数据实验室曾用 Excel 手动统计 327 例失眠患者的“心脾两虚”与“肝郁化火”共现频次耗时 4 天仍漏标 19 条含隐性组合的病历如“舌淡胖脉细弱多梦易醒”未被归入心脾两虚。后来换用 Python 做关联规则挖掘5 分钟跑出全部强关联项——不仅发现“心脾两虚→神疲食少”的置信度高达 92.3%更意外挖出一条临床少提但数据显著的路径“阴虚火旺 ∧ 睡眠浅 → 晨起口干支持度 0.18提升度 3.7”。这说明中医证型不是孤立标签而是可被量化、可被建模的症状-体征-舌脉-治法多维耦合系统。本项目标题里的“Python 源码”核心价值不在“有代码”而在于它把《中医诊断学》里模糊的“证候相兼”“证候转化”逻辑落地成可复现、可调参、可验证的规则引擎。适合两类人一是临床医生想从自己积累的电子病历中找隐性规律二是中医药信息学方向的学生需要一个能跑通、能改参数、能对接真实数据格式如 CSV/Excel/MySQL的最小可行范式。它不替代辨证论治但能成为你辨证前的“数据预筛助手”。2. 从原始病历到事务数据集三步清洗与结构化中医病历文本天然杂乱同一症状有“口干”“口燥”“口渴喜饮”多种表述舌象描述夹杂在主诉段落中部分病历缺失脉象字段。直接扔进 Apriori 算法只会得到一堆无意义的高频单字如“症”“者”“之”。必须先做语义对齐和事务化转换。常见做法是构建三层映射原始字段 → 标准化术语 → 二值化事务项。2.1 标准化术语表用字典统一临床表达我们不依赖外部词典库如 UMLS而是基于《中医临床诊疗术语》国标GB/T 16751.1-2022精简出 127 个高频证型症状体征核心项存为zheng_terms.json{ 心脾两虚: [心脾两虚, 心脾亏虚, 脾气不足兼心血虚], 口干: [口干, 口燥, 口渴不欲饮, 口渴喜冷饮], 舌淡胖: [舌淡胖, 舌淡而胖大, 舌体胖嫩色淡], 脉细弱: [脉细弱, 脉细无力, 脉沉细] }提示实际项目中A同学曾直接用 jieba 分词切“患者舌质淡红苔薄白”结果分出“舌质”“淡红”“苔”“薄白”四个孤立词完全丢失“舌淡红苔薄白”这一整体舌象判断。正确做法是先用正则匹配固定模式如舌.*?苔.*?再查表映射。2.2 事务生成将每份病历转为布尔向量假设原始 CSV 含列id, chief_complaint, history, tongue, pulse, zheng_type。关键逻辑是对每一行提取所有匹配术语表的项生成一个事务列表每个事务是字符串列表import pandas as pd import re def extract_terms(text, term_map): found [] for std_term, variants in term_map.items(): for variant in variants: # 使用 word boundary 避免匹配到“口干”时误抓“口干咽燥”中的“口干” if re.search(rf\b{re.escape(variant)}\b, str(text)): found.append(std_term) break # 同一标准项只记一次避免重复 return found # 加载术语表 with open(zheng_terms.json, r, encodingutf-8) as f: term_map json.load(f) df pd.read_csv(clinic_records.csv) transactions [] for _, row in df.iterrows(): # 合并文本字段进行扫描 full_text f{row[chief_complaint]} {row[history]} {row[tongue]} {row[pulse]} {row[zheng_type]} terms extract_terms(full_text, term_map) # 过滤空项确保每条事务至少含2个项避免单症状规则无意义 if len(terms) 2: transactions.append(terms) print(f共生成 {len(transactions)} 条有效事务) # 输出示例: [[心脾两虚, 神疲食少, 舌淡胖], [阴虚火旺, 五心烦热, 脉细数]]这段代码的核心参数是min_support_count2事务中至少含2个标准化项它直接决定后续规则的临床解释性——若允许单症状事务Apriori 会输出大量“口干 → 口干”这类无效自反规则。我一般会把阈值设为 3强制模型学习组合模式。2.3 保存为标准事务格式兼容 mlxtend 与 Orange最终事务需存为列表的列表list of lists这是 mlxtend、Orange、甚至 Weka 的通用输入格式。注意不能存为 DataFrame 或矩阵否则apriori()函数会报ValueError: Data must be a list of lists。import json # 保存为 JSON 格式便于复用和检查 with open(transactions.json, w, encodingutf-8) as f: json.dump(transactions, f, ensure_asciiFalse, indent2) # 验证读取并检查前3条 with open(transactions.json, r, encodingutf-8) as f: loaded json.load(f) print(前3条事务:, loaded[:3]) # 输出: [[心脾两虚, 神疲食少, 舌淡胖], [阴虚火旺, 五心烦热, 脉细数], ...]此处的ensure_asciiFalse是血泪经验若忽略中文会变成\u5fc3\u813e\u4e24\u865a后续读取时extract_terms()无法匹配。而indent2虽增加文件体积但方便人工抽检——当算法输出一条“肝郁化火 → 失眠”的高置信规则时你得能快速翻到transactions.json里找到对应原始病历确认是否真有这条逻辑。3. 关联规则挖掘mlxtend 实战与三个必调参数选 mlxtend 而非 sklearn它没内置关联规则或 R 的 arules部署成本高是因为它纯 Python、无 Java 依赖、API 极简且支持稀疏矩阵加速。但它的默认参数对中医数据极不友好——原始事务常含 50 项若不限制apriori()会尝试生成上万条候选项集内存爆满。3.1 最小支持度不是越大越好要卡在临床可解释边界支持度support定义为规则前件与后件同时出现的概率。设事务总数 N1000若要求min_support0.01则该项集至少在 10 条病历中共同出现。问题在于中医证型本身发生率低“肝阳上亢 ∧ 头晕目眩 ∧ 脉弦”可能仅在 8 例中出现但它是强病理组合。因此我从不固定写死 min_support0.05 这类教科书值而是按证型层级动态设证型层级示例推荐 min_support理由一级证型脏腑心脾两虚、肝郁气滞0.03~0.05高频基础证需足够样本支撑二级组合兼夹心脾两虚 ∧ 肝郁化火0.005~0.015兼夹证少见过严会漏掉关键交叉三级体征组合舌淡胖 ∧ 脉细弱 ∧ 神疲0.002~0.008客观体征组合发生率更低代码中这样实现from mlxtend.frequent_patterns import apriori import pandas as pd # 将事务列表转为 one-hot 编码的 DataFrame def encode_transactions(transactions): # 获取所有唯一项 all_items sorted(set(item for trans in transactions for item in trans)) # 初始化全零 DataFrame df_encoded pd.DataFrame(0, indexrange(len(transactions)), columnsall_items) # 填充 1 for i, trans in enumerate(transactions): for item in trans: if item in all_items: df_encoded.loc[i, item] 1 return df_encoded df_encoded encode_transactions(transactions) # 动态支持度按证型粗粒度筛选 # 先找出所有含“心脾两虚”的事务索引 xinpi_mask df_encoded[心脾两虚] 1 # 在这些事务中计算“神疲食少”的支持度 support_xinpi_shenpi xinpi_mask (df_encoded[神疲食少] 1) print(f心脾两虚 ∧ 神疲食少 支持度: {support_xinpi_shenpi.sum() / len(transactions):.4f}) # 实际挖掘时用保守值 0.005即 5‰ frequent_itemsets apriori( df_encoded, min_support0.005, # 关键中医数据必须设低 use_colnamesTrue, max_len4 # 限制最大项集长度防爆炸 )max_len4是硬性约束中医证型组合极少超 4 项如“心脾两虚 ∧ 气滞血瘀 ∧ 痰湿内阻 ∧ 肝郁化火”已属过度复杂临床难操作。设为 4 后候选项集数量从理论 2^127 直降到可计算范围。3.2 置信度与提升度哪个更能反映中医逻辑置信度confidence是条件概率 P(后件|前件)提升度lift是 P(前后件共现)/[P(前件)×P(后件)]。在中医中提升度比置信度更关键。举例规则 A“心脾两虚 → 神疲食少”置信度 0.92提升度 1.8规则 B“阴虚火旺 → 五心烦热”置信度 0.85提升度 4.2表面看 A 更可靠但提升度揭示B 的前后件关联强度是随机共现的 4.2 倍而 A 仅 1.8 倍。这意味着“阴虚火旺”几乎必然伴随“五心烦热”是更本质的病理链条而“神疲食少”虽常见于心脾两虚但也大量出现在其他证型中如单纯脾气虚特异性不足。因此我过滤规则时min_lift2.0是底线min_confidence0.7是辅助。from mlxtend.frequent_patterns import association_rules rules association_rules( frequent_itemsets, metriclift, # 以 lift 为主排序 min_threshold2.0 # 提升度不低于 2 ) # 过滤出前件含“心脾两虚”的规则按 lift 降序 xinpi_rules rules[rules[antecedents].apply(lambda x: 心脾两虚 in x)].sort_values(lift, ascendingFalse) print(xinpi_rules[[antecedents, consequents, support, confidence, lift]].head(3))输出示例antecedents consequents support confidence lift (心脾两虚,) (神疲食少,) 0.021 0.921 1.81 (心脾两虚, 舌淡胖) (神疲食少,) 0.018 0.892 2.35 (心脾两虚, 脉细弱) (食少腹胀,) 0.015 0.833 3.02注意第三条加入“脉细弱”后规则从“心脾两虚 → 神疲食少”升级为“心脾两虚 ∧ 脉细弱 → 食少腹胀”lift 从 1.81 跃至 3.02。这提示临床当心脾两虚患者同时见细弱脉更应警惕脾胃运化严重失司而非仅补益。4. 关联规则避坑五条让中医数据挖掘翻车的真实场景关联规则不是黑匣子尤其在中医领域数据噪声、术语歧义、临床逻辑断层会直接导致结果不可信。以下是我在模拟项目 X 中踩过的 5 个典型坑每条都附可复现的验证方法。4.1 现象规则中高频出现“舌淡红苔薄白” → “无明显不适”原因原始病历中“舌淡红苔薄白”作为健康人对照组描述被错误纳入患者事务。而“无明显不适”是医生录入的默认值并非真实症状。解决在extract_terms()前加清洗步骤排除含“正常”“未见异常”“无特殊”的病历行或对“舌淡红苔薄白”设负权重在事务生成时跳过。验证运行print(df[df[tongue].str.contains(淡红苔薄白)][zheng_type].value_counts())若多数为 NaN 或“未辨证”则需清洗。4.2 现象规则置信度 1.0但临床明显矛盾如“肝郁化火 → 舌淡胖”原因“舌淡胖”是心脾两虚典型舌象与“肝郁化火”的“舌红苔黄”根本冲突。此规则源于数据录入错误某医生将“舌边尖红苔薄黄”误录为“舌淡胖苔薄黄”。解决构建中医证型-舌脉互斥规则库作为后处理过滤器。例如定义incompatible_pairs [(肝郁化火, 舌淡胖), (阴虚火旺, 舌淡白)]遍历所有规则若antecedents含前者且consequents含后者则drop。验证手动抽查 20 条 lift3 的规则看是否有违背《中医诊断学》基础逻辑的。4.3 现象apriori()运行 2 小时无响应内存占用飙升至 95%原因事务中存在长尾项如“服用XX中药汤剂7天”这类非证候描述导致项集爆炸。min_support0.001时单个药物名就生成数千候选项。解决预处理时用停用词表过滤非证候字段。构建stopwords_zheng [服用, 每日, 煎服, 疗程, g, ml]在extract_terms()中跳过含这些词的文本段。验证运行len(df_encoded.columns)若 200说明项过多需清洗。4.4 现象同一规则在不同数据批次结果差异巨大如“心脾两虚 → 食少” lift 从 2.1 波动到 0.8原因数据未按时间/科室/医生分层而不同医生对“食少”的判定标准不一有的指进食量减半有的指稍减即录。解决引入分层抽样。按主治医师 ID 分组每组至少取 50 例再合并事务。代码df.groupby(doctor_id).filter(lambda x: len(x) 50)。验证分别用张医生、李医生的数据单独跑规则对比 lift 值波动是否 0.3。4.5 现象导出的 CSV 规则文件中中文显示为乱码Excel 打开全为空格原因pandas.to_csv()默认编码为utf-8但 Windows Excel 默认读gbk。解决导出时强制encodingutf_8_sig带 BOM 的 UTF-8Excel 可识别rules.to_csv(rules_chinese.csv, encodingutf_8_sig, indexFalse)验证用记事本打开 CSV若首行显示“ufeff”字样说明 BOM 写入成功Excel 可正常显示中文。5. 规则临床验证与落地从数据洞见到处方建议挖出规则只是起点真正价值在于它能否经得起临床反推。我坚持一个原则每条进入报告的规则必须能在原始病历中找到至少 3 份完整佐证。这不是为了凑数而是建立数据与临床的闭环信任。5.1 构建可追溯的规则-病历映射表association_rules()输出的是抽象集合但医生需要看到“这条规则来自哪几份真实病历”。因此在生成事务时必须保留原始id映射# 修改事务生成逻辑记录 id transactions_with_id [] for idx, row in df.iterrows(): full_text f{row[chief_complaint]} {row[history]} {row[tongue]} {row[pulse]} {row[zheng_type]} terms extract_terms(full_text, term_map) if len(terms) 2: transactions_with_id.append({ id: row[id], terms: terms }) # 保存映射关系 with open(transactions_with_id.json, w, encodingutf-8) as f: json.dump(transactions_with_id, f, ensure_asciiFalse, indent2)之后当规则antecedents{心脾两虚, 舌淡胖}被选出可用以下代码快速定位原始病历def find_supporting_records(rule_antecedents, trans_with_id): ids [] for item in trans_with_id: if rule_antecedents.issubset(set(item[terms])): ids.append(item[id]) if len(ids) 3: # 只需3份 break return ids # 示例找“心脾两虚 ∧ 舌淡胖”的佐证病历 antec_set {心脾两虚, 舌淡胖} support_ids find_supporting_records(antec_set, transactions_with_id) print(佐证病历ID:, support_ids) # 输出: [PAT2023001, PAT2023045, PAT2023089]有了 ID就能从原始数据库中拉取完整病历供中医导师盲审——这是让数据结论被临床接受的最短路径。5.2 将规则转化为结构化处方建议关联规则本身不生成药方但可作为处方决策的强提示。我们设计一个轻量级映射表rule_to_prescription.csvantecedentsconsequentsrecommended_formularationale{心脾两虚}{神疲食少}归脾汤经典方健脾养心针对主症{心脾两虚, 脉细弱}{食少腹胀}归脾汤 木香、砂仁脉细弱提示气虚甚加行气醒脾药防补而呆滞{阴虚火旺, 五心烦热}{盗汗}当归六黄汤阴虚火旺致盗汗此方滋阴泻火固表这个表由中医导师审核后固化。当新患者录入“心脾两虚、脉细弱、食少腹胀”时系统自动匹配第二条规则弹出“推荐归脾汤加木香、砂仁”并附《中医内科学》第 78 页依据。这不是替代辨证而是把专家经验沉淀为可触发的临床知识包。5.3 规则迭代用新病历反馈优化术语表数据挖掘不是一次性工程。某次上线后医生反馈“规则总提‘心脾两虚’但临床上我们更常说‘气血两虚’且两者用药高度重叠。” 我们立刻行动查transactions.json统计“气血两虚”在原始文本中的出现频次发现达 142 次高于“心脾两虚”的 118 次将“气血两虚”加入zheng_terms.json映射到同一标准项重新跑流程新规则中“气血两虚 → 面色萎黄”的 lift 从 1.2 升至 2.9证实其更强临床相关性。这种闭环迭代让术语表从静态词典变成生长的知识图谱。我的习惯是每季度用最新 100 例病历做一次术语频率分析更新zheng_terms.json再重训规则。不是追求模型精度而是确保它说的语言始终是临床一线医生正在说的话。希望帮到你。本文还有配套的精品资源点击获取
