【数据可视化】动手用matplotlib绘制关联规则网络图

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, endpoint=False)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, radius=radius, fill=False, edgecolor='k')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", "bottom"offset = np.array([label_offset_value, label_offset_value])elif angle < np.pi:ha, va = "center", "bottom"offset = np.array([-label_offset_value, label_offset_value])elif angle < 3 * np.pi / 2:ha, va = "center", "top"offset = np.array([-label_offset_value, -label_offset_value])else:ha, va = "center", "top"offset = 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', markersize=10)ax.text(i + offset[0], j + offset[1], label, fontsize=12, ha=ha, va=va)# 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("",xy=end_point, xytext=start_point,arrowprops=dict(arrowstyle="->", color=color,shrinkA=5, shrinkB=5,  # shrinkA和shrinkB应该是半径的大小,不是索引connectionstyle="arc3"),)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', fontsize=20)  # 主标题plt.xlabel('颜色深代表置信度高', fontsize=14)  # 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, endpoint=False)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, radius=radius, fill=False, edgecolor='k')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", "bottom"offset = np.array([label_offset_value, label_offset_value])elif angle < np.pi:ha, va = "center", "bottom"offset = np.array([-label_offset_value, label_offset_value])elif angle < 3 * np.pi / 2:ha, va = "center", "top"offset = np.array([-label_offset_value, -label_offset_value])else:ha, va = "center", "top"offset = 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', markersize=10)ax.text(i + offset[0], j + offset[1], label, fontsize=12, ha=ha, va=va)# 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("",xy=end_point, xytext=start_point,arrowprops=dict(arrowstyle="->", color=color,shrinkA=5, shrinkB=5,  # shrinkA和shrinkB应该是半径的大小,不是索引connectionstyle="arc3"),)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', fontsize=20)  # 主标题plt.xlabel('颜色深代表置信度高', fontsize=14)  # 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, key=lambda x: fd.get(x), reverse=True)[: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。
我们可以看到砂仁白芍,还有荷叶连翘等等,有着很高的置信度。

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/734300.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

(每日持续更新)信息系统项目管理(第四版)(高级项目管理)考试重点整理 第13章 项目资源管理(七)

项目建议与立项申请、初步可行性研究、详细可行性研究、评估与决策是项目投资前使其的四个阶段。在实际工作中&#xff0c;初步可行性研究和详细可行性研究可以依据项目的规模和繁简程度合二为一&#xff0c;但详细可行性研究是不可缺少的。升级改造项目制作初步和详细研究&…

windows11配置电脑IP

windows11配置电脑IP 选择"开始>设置>“网络&Internet >以太网”。在 "属性"下&#xff0c;编辑IP地址&#xff0c;子网掩码&#xff0c;网关以及DNS。

数据库系统原理实验报告1 | E-R图设计

整理自博主2021级专业课《数据库系统原理》自己完成的实验报告。 目录 一、实验目的 二、实验内容 1、某个学校有若干个系 2、某工厂生产若干产品 3、某学校的田径运动会中设置了各类比赛 4、自己调查一个需要提供开发数据库应用系统的单位 三、实验结果总结 四、实验结…

C# sort面试题目

在C#的面试中&#xff0c;排序是一个常见的主题&#xff0c;因为它不仅涉及对集合的基本操作&#xff0c;也反映了应聘者对算法和数据结构的理解。以下是一些关于C#排序的面试题目&#xff1a; 解释C#中List<T>.Sort()方法和Array.Sort()方法的不同之处。 List<T>…

Java中常用的集合及方法(2)

在Java&#xff08;JDK8&#xff09;中&#xff0c;集合&#xff08;Collection&#xff09;是数据结构的实现&#xff0c;用于存储和操作对象集合。 集合&#xff08;Collection&#xff09;中包含的一般类或接口&#xff1a; 在这其中呢&#xff0c;我们经常使用的其实就是L…

第二十二 查询、检索、搜索

查询在计算机中十分广泛的应用。 在字符串或者文本文件中查询关键字&#xff0c;模式匹配&#xff0c;正则表达式。在数组、树、哈希表等数据结构中查询指定数据在数据库中查询在海量非结构文件中查询搜索引擎 模式匹配 模式匹配是数据结构中字符串的一种基本运算&#xff0…

API 设计的原则

我在 Thoughtworks 上曾经读到过一篇文章《API 设计的几条原则》我觉得写得非常不错&#xff0c;链接我放底下&#xff0c;推荐阅读。 在我多年的工作历程中&#xff0c;我深刻意识到 API 的设计至关重要&#xff0c;但是我发现&#xff0c;在一般的组织中&#xff0c;API 的设…

K8S - 在任意node里执行kubectl 命令

当我们初步安装玩k8s &#xff08;master 带 2 nodes&#xff09; 时 正常来讲kubectl 只能在master node 里运行 当我们尝试在某个 node 节点来执行时&#xff0c; 通常会遇到下面错误 看起来像是访问某个服务器的8080 端口失败了。 原因 原因很简单 , 因为k8s的各个组建&…

外包干了6天后悔了,技术明显进步。。。。。

先说一下自己的情况&#xff0c;本科生&#xff0c;19年通过校招进入广州某软件公司&#xff0c;干了接近3年的功能测试&#xff0c;今年年初&#xff0c;感觉自己不能够在这样下去了&#xff0c;长时间呆在一个舒适的环境会让一个人堕落!而我已经在一个企业干了四年的功能测试…

chrome高内存占用问题

chrome号称内存杀手不是盖的&#xff0c;不设设置的话&#xff0c;经常被它内存耗尽死机是常事。以下自用方法 1 自带的memory saver chrome://settings/performance PerformanceMemory Saver When on, Chromium frees up memory from inactive tabs. This gives active tab…

利用SQL Server 进行报表统计的关键SQL语句与函数

在数据库应用中&#xff0c;报表统计是一项至关重要的任务&#xff0c;它为企业提供了数据洞察和决策支持。SQL Server作为一种强大的关系型数据库管理系统&#xff0c;提供了丰富的SQL语句和函数&#xff0c;可用于高效地进行报表统计。本文将介绍一些常用的SQL语句和函数&…

基于Springboot的在线租房和招聘平台(有报告)。Javaee项目,springboot项目。

演示视频&#xff1a; 基于Springboot的在线租房和招聘平台&#xff08;有报告&#xff09;。Javaee项目&#xff0c;springboot项目。 项目介绍&#xff1a; 采用M&#xff08;model&#xff09;V&#xff08;view&#xff09;C&#xff08;controller&#xff09;三层体系结…

python基础——条件判断和循环【if,while,for,range】

&#x1f4dd;前言&#xff1a; 这篇文章主要讲解一下条件判断语句if和循环语句while&#xff0c;for在python中需要注意的地方。 建议已有一定了解&#xff08;对语句的执行逻辑清楚&#xff09;的读者观看&#xff0c;如果对条件判断和循环的执行逻辑不太清楚&#xff0c;也可…

设计模式--装饰器模式(Decorator Pattern)

装饰器模式&#xff08;Decorator Pattern&#xff09;是一种结构型设计模式&#xff0c;它允许你在运行时动态地将行为添加到对象中。在装饰器模式中&#xff0c;这些新的行为通常对应于添加的责任。装饰器提供了比继承更有弹性的替代方案。 装饰器模式主要包含以下几个角色&…

bug_java

文章目录 1.创建Maven时&#xff1a; idea报错为&#xff1a;java&#xff1a;错误&#xff1a;不支持发行版本52. Springbot启动报错-类文件具有错误的版本 61.0, 应为 52.0 1.创建Maven时&#xff1a; idea报错为&#xff1a;java&#xff1a;错误&#xff1a;不支持发行版本…

or-tools cp-sat CpModel.AddAllDifferent

or-tools cp-sat CpModel.AddAllDifferent 1 示例程序 1 示例程序 链接: 官方文档 from ortools.sat.python import cp_modeldef sudoku_solver(puzzle):# 创建一个 CP-SAT 模型model cp_model.CpModel()# 创建变量board [[model.NewIntVar(1, 9, fcell_{i}_{j}) for j in …

遗传算法GA求解机器人栅格地图最短路径规划,可以自定义地图及起始点(提供MATLAB代码)

一、原理介绍 遗传算法是一种基于生物进化原理的优化算法&#xff0c;常用于求解复杂问题。在机器人栅格地图最短路径规划中&#xff0c;遗传算法可以用来寻找最优路径。 遗传算法的求解过程包括以下几个步骤&#xff1a; 1. 初始化种群&#xff1a;随机生成一组初始解&…

子组件通过 $emit 触发父组件3.5日学习记录打卡

子组件通过 $emit 触发父组件的方法时&#xff0c;如果需要传递参数&#xff0c;可在方法名后面加可选参数&#xff0c;参数以逗号隔开。 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"><meta name"viewpo…

2024.3.9 C++启航 梦开始的地方

一.基本格式: #include<iostream>using namespace std;int main() {return 0; } 二.注释 1.当行注释: 同C语言//描述信息 2.多行注释: /*描述信息*/ 三.输入输出 既可以使用scanf和printf 也可以使用标准输入流对象cin和标准输出流对象cout,且cin cout更安全和方…

【数据分析】在Python中,使用apriori算法挖掘药材的频繁项集,并挖掘关联规则

本文代码及数据下载 文章目录 使用Pandas和Mlxtend进行关联分析&#xff1a;从药物处方数据到关联规则开始之前加载和准备数据发现频繁项集生成关联规则美化输出保存结果到Excel绘制关联规则网络图 使用Pandas和Mlxtend进行关联分析&#xff1a;从药物处方数据到关联规则 关联…