郑州做网站hnqfu,自己做的网站是怎么赚钱,成都装修公司招聘装修工人,杭州注册公司流程是怎样的下载文中数据、代码、绘图结果 文章目录 关于数据绘图函数完整可运行的代码运行结果 关于数据
如果想知道本文的关联规则数据是怎么来的#xff0c;请阅读这篇文章
绘图函数
Python中似乎没有很方便的绘制网络图的函数。
下面是本人自行实现的绘图函数#xff0c;如果想…下载文中数据、代码、绘图结果 文章目录 关于数据绘图函数完整可运行的代码运行结果 关于数据
如果想知道本文的关联规则数据是怎么来的请阅读这篇文章
绘图函数
Python中似乎没有很方便的绘制网络图的函数。
下面是本人自行实现的绘图函数如果想要运行请点击上文的链接下载数据和代码。
传入一个关联规则数据的DataFrame这个DataFrame应该包含三列数据antecedentsconsequentsconfidence分别代表前件后件置信度。
def plot_rules_net(rules: pd.DataFrame):import matplotlib.patches as patches# 假设你有一个包含所有药材的列表items list(set([item for sublist in rules[antecedents].tolist() rules[consequents].tolist() for item in sublist]))# 计算药材数量确定顶点数n_items len(items)# 创建一个正n_items边形的顶点坐标radius 5 # 可以调整半径angle np.linspace(0, 2 * np.pi, n_items, endpointFalse)x radius * np.cos(angle)y radius * np.sin(angle)# 绘制正多边形和顶点fig, ax plt.subplots(figsize(10, 10))polygon patches.RegularPolygon((0, 0), n_items, radiusradius, fillFalse, edgecolork)ax.add_patch(polygon)def get_label_position(angle):label_offset_value 0.2 # 定义一个变量来存储偏移量# 根据角度确定文本标签的对齐方式和位置if angle np.pi / 2:ha, va center, bottomoffset np.array([label_offset_value, label_offset_value])elif angle np.pi:ha, va center, bottomoffset np.array([-label_offset_value, label_offset_value])elif angle 3 * np.pi / 2:ha, va center, topoffset np.array([-label_offset_value, -label_offset_value])else:ha, va center, topoffset np.array([label_offset_value, -label_offset_value])return ha, va, offset# 在绘制顶点的循环中调整文本位置for (i, j), label, angle in zip(zip(x, y), items, angle):ha, va, offset get_label_position(angle)ax.plot(i, j, o, markersize10)ax.text(i offset[0], j offset[1], label, fontsize12, haha, vava)# 获取confidence的最小值和最大值min_confidence rules[confidence].min()max_confidence rules[confidence].max()# 使用colormap - 可以根据需要选择合适的colormap# 这里我们使用Greens因为你想要的是颜色越深表示权重越大cmap plt.get_cmap(Greens)# 线性映射函数将confidence值映射到0-1之间用于colormapdef get_color(confidence):return cmap((confidence - min_confidence) / (max_confidence - min_confidence))# 绘制边for _, row in rules.iterrows():antecedents row[antecedents]consequents row[consequents]confidence row[confidence]for antecedent in antecedents:for consequent in consequents:start_idx items.index(antecedent)end_idx items.index(consequent)start_point (x[start_idx], y[start_idx])end_point (x[end_idx], y[end_idx])color get_color(confidence)# 修改箭头的绘制方式使其从节点边缘出发ax.annotate(,xyend_point, xytextstart_point,arrowpropsdict(arrowstyle-, colorcolor,shrinkA5, shrinkB5, # shrinkA和shrinkB应该是半径的大小不是索引connectionstylearc3),)ax.set_xlim([-radius * 1.1, radius * 1.1])ax.set_ylim([-radius * 1.1, radius * 1.1])ax.axis(off) # 隐藏坐标轴plt.suptitle(前24个最高频次药物的关联规则图, fontsize20) # 主标题plt.xlabel(颜色深代表置信度高, fontsize14) # X轴标签save_path os.path.join(., 关联规则网络图.jpg)plt.savefig(save_path)plt.show()
完整可运行的代码
下方就是完整可运行的代码在本文的下载链接中也一并包含如有需要请复制并运行。
import osimport matplotlib
import numpy as np
import pandas as pd
from matplotlib import pyplot as pltplt.rcParams[font.sans-serif] [Simhei] # 显示中文标签
plt.rcParams[axes.unicode_minus] Falsedef plot_rules_net(rules: pd.DataFrame):import matplotlib.patches as patches# 假设你有一个包含所有药材的列表items list(set([item for sublist in rules[antecedents].tolist() rules[consequents].tolist() for item in sublist]))# 计算药材数量确定顶点数n_items len(items)# 创建一个正n_items边形的顶点坐标radius 5 # 可以调整半径angle np.linspace(0, 2 * np.pi, n_items, endpointFalse)x radius * np.cos(angle)y radius * np.sin(angle)# 绘制正多边形和顶点fig, ax plt.subplots(figsize(10, 10))polygon patches.RegularPolygon((0, 0), n_items, radiusradius, fillFalse, edgecolork)ax.add_patch(polygon)def get_label_position(angle):label_offset_value 0.2 # 定义一个变量来存储偏移量# 根据角度确定文本标签的对齐方式和位置if angle np.pi / 2:ha, va center, bottomoffset np.array([label_offset_value, label_offset_value])elif angle np.pi:ha, va center, bottomoffset np.array([-label_offset_value, label_offset_value])elif angle 3 * np.pi / 2:ha, va center, topoffset np.array([-label_offset_value, -label_offset_value])else:ha, va center, topoffset np.array([label_offset_value, -label_offset_value])return ha, va, offset# 在绘制顶点的循环中调整文本位置for (i, j), label, angle in zip(zip(x, y), items, angle):ha, va, offset get_label_position(angle)ax.plot(i, j, o, markersize10)ax.text(i offset[0], j offset[1], label, fontsize12, haha, vava)# 获取confidence的最小值和最大值min_confidence rules[confidence].min()max_confidence rules[confidence].max()# 使用colormap - 可以根据需要选择合适的colormap# 这里我们使用Greens因为你想要的是颜色越深表示权重越大cmap plt.get_cmap(Greens)# 线性映射函数将confidence值映射到0-1之间用于colormapdef get_color(confidence):return cmap((confidence - min_confidence) / (max_confidence - min_confidence))# 绘制边for _, row in rules.iterrows():antecedents row[antecedents]consequents row[consequents]confidence row[confidence]for antecedent in antecedents:for consequent in consequents:start_idx items.index(antecedent)end_idx items.index(consequent)start_point (x[start_idx], y[start_idx])end_point (x[end_idx], y[end_idx])color get_color(confidence)# 修改箭头的绘制方式使其从节点边缘出发ax.annotate(,xyend_point, xytextstart_point,arrowpropsdict(arrowstyle-, colorcolor,shrinkA5, shrinkB5, # shrinkA和shrinkB应该是半径的大小不是索引connectionstylearc3),)ax.set_xlim([-radius * 1.1, radius * 1.1])ax.set_ylim([-radius * 1.1, radius * 1.1])ax.axis(off) # 隐藏坐标轴plt.suptitle(前24个最高频次药物的关联规则图, fontsize20) # 主标题plt.xlabel(颜色深代表置信度高, fontsize14) # X轴标签save_path os.path.join(., 关联规则网络图.jpg)plt.savefig(save_path)plt.show()freq pd.read_excel(r万条处方的药物出现频次.xlsx)fd {k : v for _, (k, v) in freq.iterrows()}# 指定保留前24最高频次的中药材
most_freq_num 24
top_24_herbs sorted(fd, keylambda x: fd.get(x), reverseTrue)[:most_freq_num]# 读取关联规则分析的结果
rules pd.read_excel(关联规则分析结果.xlsx)
rules[antecedents] rules[antecedents].apply(lambda x: x.split(, ))
rules[consequents] rules[consequents].apply(lambda x: x.split(, ))# 过滤关联规则仅保留包含这24种药物的规则
filtered_rules rules[rules[antecedents].apply(lambda x: any(item in x for item in top_24_herbs)) rules[consequents].apply(lambda x: any(item in x for item in top_24_herbs))]plot_rules_net(filtered_rules)
运行结果
颜色越粗置信度越高。 我们可以看到砂仁和白芍还有荷叶和连翘等等有着很高的置信度。
