《医学数据挖掘与实践》实验指导
《医学数据挖掘与实践》实验指导
前 言
通过巩固和加深数据挖掘基本知识的理解，提高运用学习医学数据的数据挖掘，用软件求解操作培养学生的逻辑思维，掌握基本的数据挖掘能力，有利于专业的知识储备。本实验指导共9项实验，分别从R软件的使用、数据预处理、k近邻、决策树、随机森林,聚类、关联规则算法运用医学数据，指导学生操作，实验过程中要求学生能分析实际问题、对学生数据挖掘和分析过程、独立思考等起到指导作用。
实验教材：自编教材
实验学时：32学时
实验一 R与Rstudio安装与基本操作
（综合性实验，2学时）
【实验目的与要求】
1.熟悉R与RStudio软件功能和操作特点。
2.了解RStudio的工具栏和操作方法。 3
3.熟练掌握RStudio环境与基本语法。
4.R包的安装及帮助。
【实验仪器、器材与试剂】
计算机，R与RStudio软件
【实验内容、方法与步骤】
实验内容：
1.安装R和Rstudio
2.打开Rstudio，逐一了解熟悉其中各项功能。
3．Rstudio脚本输入简单的R命令。
4．安装ggplot包
步骤：
1安装R和RStudio
（1）从http://mirror.bjtu.edu.cn/cran/下载R语言相应版本，双击安装；
（2）从https://www.rstudio.com/products/rstudio/download/下载RStudio安装。
说明
（1）R语言本身仅提供了命令行工具，一般用户可能会觉得使用不便，所以用RStudio作为工具来使用R语言；
（2）RStudio仅为R的IDE（集成开发环境），依赖于R；
（3）在苹果系统中，启动RStudio时要求安装command line tools，在弹出窗口中选
择安装即可）；
（4）R和RStudio都是免费开放源代码的，所以尽可能在官方网站上下载（R在全球
有很多镜像，等同于官网，上述下载地址即其在北京交通大学的镜像）
2. 运行：
2.1运行R语言
如果不使用RStudio，双击R语言图标即可启动。
启动后如下图所示，在提示符处输入R语言命令
2.2 RStudio启动
RStudio相对于R语言自身提供的命令行工具，使用要便捷得多。
启动后RStudio的环境如下图所示。左侧为同启动R时一样的命行窗口；右上侧为“环境”和“历史”。环境是指当前R语言的运行环境，也称为工作空间，在使用过程中所创建的变量、数据都在这里列出，而用户在使用过程中输入的命令都在“历史”子窗口中列出。
右侧包括“文件”、“绘图”、“扩展包”、“帮助”、“视图”等子窗口。相关功能在后续使用过程中再详细说明。
2.3 退出
在退出时，R和RStudio默认都会弹出窗口询问是否保存工作空间，如果选择保存，则R或RStudio会保存全部的变量、数据等，下次打开R或RStudio时还可以继续使用而
不用再次输入。如下分别为R和RStudio退出时的弹出窗口。
3. R基本语法和计算
R语言运算符号
运算符号：+（加）、-（减）、*（乘）、/（除）、^（乘方）、%/%整除、%%求余； 逻辑判断符号：>（大于）、<（小于）、>=（大于等于）、<=（小于等于）、!=（不等）、 ==（相等）
逻辑运算符号：&（逻辑与）、|（逻辑或，Enter键上边的竖线） 赋值符号：<-或-> 示例： 在命令窗口输入
a<-2
此时，变量a的值就为2。2->a的功能与a<-2一样。赋值符号也可以用=替代，但是在某些情况下会出错，所以不建议在R语言中使用。
完成以下基本计算（将输入和输出一起截图）
-9的3次方乘以 5再除以 6；（^,*,/）
3 的算术平方根； （sqrt()）
10 的自然对数；(log())
以 10 为底的3+2π 的对数；（log10()，pi）
以自然对数为底的3.2 的指数；（exp()）
三角函数cos 2π的值；（cos()）
连乘计算：①，即7*6*5*4 ；（prod(7:4)） ②3!； ③7*6*5*4/3! ；
组合数计算：① ； ② 1/。（利用上一题）
运行结果截图：
依次输入以下命令，完成以下向量的基本运算，理解体会每个命令或函数的意义（将输入和输出一起截图）
>x<-1:4 #将1，2，3，4四个数赋值给向量x
>a<-10
>x*a
>x+a
>sum(x)
>max(x)
>min(x)
>mean(x)
>median(x) #求x的中位数
>var(x)
>sort(x)
运行结果截图：
4. 安装包获取帮助
>install.packages(“ggplot2”) #安装ggplot2包
>library(ggplot)#加载ggplot包
>help(ggplot) #ggplot解释
>?ggplot #ggplot解释
【实验报告】
安装R和Rstudio，完成实例的基本计算。
实验二 R数据结构和可视化
（设计性实验，4学时）
【实验目的与要求】
1.掌握R中基本数据结构，向量、数组、矩阵、列表、数据框、因子的创建。
2.R数据的读取；掌握数据的基本描述与质量探索
3.ggplot绘制简单的线图，直方图等。
【实验仪器、器材与试剂】
计算机，R与RStudio软件
【实验内容、方法与步骤】
1.创建向量、矩阵、数组、列表、数据框、因子
2.数据的读取。
3．绘制基本图形。
步骤：
1. 1、向量（Atomic Vectors）
向量是用于储存int、character、bool等数据的一维数据结构，单个向量中的数据必须拥有相同类型。使用函数c()来创建向量。R中的向量可以看作是Python中具有相同数据结构的非嵌套列表。
这里尝试在一个向量中存储数值型和字符型数据，可以发现输出结果中所有数据都被转换成了字符型数据。
当不同类型的数据使用c()函数创建atomic vector时，因为atomic vector的元素都必须是同质的，所以系统会依照character, double, integer, logical的优先顺序对数据类型进行转换。
1.2 列表（List）
R中的列表类似于Python中的字典，可以存放各种不同的数据结构和嵌套数据结构，R中列表可以人为的给予其赋予名字（相当于Python字典中的键，也可看做数据框中的列名）未赋予名字时，系统会按索引给R列表中各个数据赋予名字。使用list()创建列表。使用names()可以给列表中的各个元素命名。
1.3、矩阵（Matrix）
矩阵是一个二维数组，其所有数值类型相同（int，character，bool）。可通过matrix()创建矩阵。matrix可使用下标或行列名来获取元素，但不支持$name的索引方式。可使用dimnames()或rownames()、colnames()对其进行matrix的行列进行重命名。
1.4、数组（Array）
数组与矩阵类似，都为同质型的数据结构，但是维度大于2。数组通过array创建。
1.5、数据框（data.frame）
数据框在形式上与矩阵较为类似，但是它每一列的数据类型可以不同，为异质型数据结构。数据框可以使用data.frame()函数来创建，使用colnames()和rownames()来对行列重命名。数据框与python三方库pandas中的DataFrame基本是一样的。
数据框选取元素的方式较为多样，既可以通过下标进行选取，也可以通过列名称来进行选取df$name。同时，在创建数据框时可通过row.names参数指定用来作为行名称的列。
若需要多次选取数据框中的某列数据，可使用attach()、detach()、或with()来简化代码
1.6、因子（factors）
因子比较难以理解，可以将它看作是Python中的set(list)，即对向量进行分类计算，每一个唯一值算一个一个分类。他有levels()方法，可以得到一个factor中的所有水平（也即去重后的集合）。他的创建分为三步：（1）将输入的数据转换成character类型；（2）对所有水平进行排序（若未指定排序则自然排序）；（3）使用levels中的水平序号重新编码输入的元素。
在构建data.frame时，列元素为character的列经常会自动被转换为factors，这常常不是我们想看到的。通过指定stringsAsFactors=FALSE参数可保留原本的character属性。
2. R数据读取：
在R中进行任何操作和分析工作之前，先需要读取数据。保存在工作目录中的数据可以直接读取，非工作目录的其他位置在读取时需要指明路径。因此第一步工作是了解R的工作目录。下面是具体的代码，输入getwd函数，R返回当前的工作目录。
#查看工作目录
getwd()
[1] "C:/Users/Documents"
你也可以对R的工作目录进行更改，使用setwd函数可以更改工作目录的路径。下面是具体的代码。
#设置工作目录
setwd("C:\\Users\\ r")
设置好工作目录后，开始读取数据，并创建数据表。我们的数据在工作目录下，因此直接读取并命名为loandata。
#读取并创建数据表
loandata=data.frame(read.csv('loan_data.csv',header = 1))
举例：建立一个Excel表，命名为zhihu.xlsx，简单输入几行几列内容如下，sheet名字为nba：
读取方法：使用xlsx包
读取方法1：使用xlsx包
结果显示如下：
3.R绘制基本统计图形，ggplot包绘图
参看书本第二章
【实验报告】
以下是4例病人病历数据，请用在Rstudio中生成名为patientdata的数据框，打印出patientdata，读取糖尿病类型diabetes和病情status这两列；打印出四个病人的年龄信息。 代码使用Rmarkdown完成pdf格式提交，学号姓名实验名称命名。
PatientID | age | diabetes | status |
1 | 25 | Type1 | Poor |
2 | 34 | Type2 | Improved |
3 | 38 | Type1 | Excellent |
4 | 52 | Type1 | Poor |
实验三 数据预处理
（设计性实验，6学时）
【实验目的与要求】
1.掌握tidyverse包相关函数。
2. 掌握dplyr，解决大部分数据处理问题
3.掌握tidyr 清理数据
4.使用readr读入表格数据
5. 熟练应用ggplot2可视化数据法。
【实验仪器、器材与试剂】
计算机，R与RStudio软件
【实验内容、方法与步骤】
1. dplyr数据处理问题
2.使用tidyr 清理数据
3.使用readr读入表格数据
4. 熟练应用ggplot2可视化数据法。
步骤：
安装tidyverse：
导入：
有用的函数
载入数据
dplyr
过滤
filter()函数可以用来取数据子集。
排序
arrange()函数用来对观察值排序，默认是升序。
新增变量
mutate()可以更新或者新增数据框一列。
汇总
summarize()函数可以让我们将很多变量汇总为单个的数据点
group_by()可以让我们安装指定的组别进行汇总数据，而不是针对整个数据框
ggplot2作图
散点图
散点图可以帮助我们理解两个变量的数据关系，使用geom_point()可以绘制散点图：
额外的美学映射
颜色
【实验报告】
用tidyverse包中的gapminder数据集进行数据的预处理。
实验四 k-近邻
（设计性实验，4学时）
【实验目的与要求】
1.加强对k-最近邻算法的理解；
2.锻炼分析问题、解决问题并动手实践的能力。
【实验仪器、器材与试剂】
计算机，R与RStudio软件
【实验内容、方法与步骤】
利用knn预测癌症
肿瘤病人数据集colon.csv，请读取数据集，准备数据，划分训练数据集和测试数据集，建立预测模型，并改进模型预测性能，用KNN算法调整相应K值，提高模型的性能并减少错误分类值的数量，找到最佳预测模型，计算准确率。
代码：
colonData <- read.table("D:/colon.csv",header=TRUE,sep=",")
library(class)
colonKNN <- colonData
set.seed(152)
ind <- sample(2, nrow(colonKNN), replace=TRUE, prob=c(0.8, 0.2))
trainDataKNN <- colonKNN[ind==1,]
testDataKNN <- colonKNN[ind==2,]
train_input <- as.matrix(trainDataKNN[,-2001])
train_output <- as.vector(trainDataKNN[,2001])
test_input <- as.matrix(testDataKNN[,-2001])
prediction <- knn(train_input, test_input, train_output, k=3)
table(prediction, testDataKNN$Class)
【实验报告】
利用 colon.csv的数据进行knn分析，解决程序运行中的问题，使用rmarkdown提交pdf实验报告。
实验五 决策树和随机森林
（设计性实验，6学时）
【实验目的与要求】
1. 掌握决策树和随机森林构建的分类模型；
2.锻炼分析问题、解决问题并动手实践的能力。
【实验仪器、器材与试剂】
计算机，R与RStudio软件
【实验内容、方法与步骤】
数据中的威斯康星州乳腺癌数据集(breast01.txt),数据集变量包括：ID,肿块厚度，细胞大小的均匀性，细胞形状的均匀性，边际附着率，单个上皮细胞大小，裸核，乏味染色体，正常核，有丝分裂,类别。 要求：
（1）读取数据到Rstudio中，将数据类别列转为因子（benign, malignant）并探索数据。
（2）将数据集随机分出训练集和测试集，其中训练集70%，测试集30%.
（3）用rpart（）函数创建分类决策树。打印剪枝前后的决策树，输出混淆矩阵，打印模型的准确率。
（4）用随机森林创建预测模型，输出变量的重要性，打印模型的准确率。
（5）比较决策树和随机森林在数据分类的准确率，分类模型选择。
代码如下：
read.table(“breast01.txt)
df <- breast01[,-1]
head(df)
df$class <- factor(df$class,levels=c(2,4), labels=c("benign","malignant"))
（2）set.seed(1234) # 设置随机种子
train <- sample(nrow(df),0.7*nrow(df)) #划分测试数据
head(train)
df.train <- df[train,]
head(df.train)
df.validate <- df[-train,] #划分验证数据
table(df.train$class) #训练集频数统计
table(df.validate$class) #验证数据集频数统计
（3）#使用rpart()创建分类决策树
library(rpart) #加载rpart包
set.seed(1234)
dtree<-rpart(class~.,data = df.train,method = "class",parms = list(split="information")) …（2分）
install.packages("rpart.plot")
library(rpart.plot) #加载rpart作图
rpart.plot(dtree,branch=1,type=1,extra=1, main="Breast Decision Tree1")
dtree$cptable #查看决策树的CP值
plotcp(dtree) #cp值及误差折线图
print(dtree) #查看建立的决策树
summary(dtree) #查看决策树的统计量
dtree.pruned<-prune(dtree,cp=0.0125) #树剪枝
prp(dtree.pruned,type=1,extra=104,fallen.leaves = TRUE,
main="Breast Decision Tree1-pruned") #打印决策树图
dtree.pred<-predict(dtree.pruned,df.validate, type = "class")
dtree.confuse<-table(df.validate$class,dtree.pred) #建立混淆矩阵
dtree.confuse
accuary1<-sum(diag(dtree.confuse))/sum(dtree.confuse) #预测准确度
【实验报告】
利用 breast01.txt的数据建立决策树和随机森林预测模型，比较决策树和随机森林在数据分类的准确率；同时解决程序运行中的问题，使用rmarkdown提交pdf实验报告。
实验六 kmeans聚类
（设计性实验，4学时）
【实验目的与要求】
熟悉R语言的相关对象与函数的用法
掌握利用R进行聚类分析的基本步骤。
【实验仪器、器材与试剂】
计算机，R与RStudio软件
【实验内容、方法与步骤】
依据K-maens函数的使用方法，根据老师给定的数据
1.对数据集预处理，消除量纲差别
2.对预处理后的数据集进行k-means聚类，查看聚类结果，并绘制图形
3.对聚类模型进行优化调优。
iris是R中自带的数据集，读取iris数据集；利用k-means进行聚类分析建模，聚类数为3；使用print函数查看聚类结果；输出混淆矩阵；绘制聚类图并标注每一类的中心点。
rm(list = ls())
mykmeans<-read.csv("Kmeansdata.csv")
kc <- kmeans(mykmeans,3)
print(kc)
fitted(kc)
plot(mykmeans[c("weight", "whr")], col = kc$cluster)
points(kc$centers[,c("weight", "whr")], col = 1:3, pch = 8, cex=2)
【实验报告】
Iris数据集的聚类分析。
实验七 关联规则分析
（设计性实验，6学时）
【实验目的与要求】
熟悉R语言的相关对象与函数的用法
掌握利用R进行聚类分析的基本步骤。
【实验仪器、器材与试剂】
计算机，R与RStudio软件
【实验内容、方法与步骤】
依据关联规则的原理和R中函数使用方法，根据老师给定的数据rules.csv
读取受检者的眼科诊断数据，每个记录包含“眼轴远视”（h52.0），“散光”（h52.2）和“老光”（h52.4）。其中“Y”表示具有该属性，“N”表示不具有该属性。请用arules软件包和arulesViz软件包进行分析，找出其中的关联规则并解释。
1）读取数据文件中的“rules.csv“
2）建立关联规则，设置最小支持度support和置信度confidence分别设为0.1和0.8。
3）查看规则,找出具有较高的置信度和提升度的规则，具有较高的支持度的关联规则。并解释这两条规则的意义。
4）按照提升度对建立的关联规则排序
5）绘制关联规则的散点图和气泡图。
代码：
setwd("C:/Users/15907/Documents/曾学文教学") #设置工作目录
install.packages("arules")
install.packages("arulesViz")
library(arules)
library(arulesViz)
a<-read.csv("rules.csv") #眼轴远视”（h52.0），“散光”（h52.2）和“老光”（h52.4）
rules<- apriori(a,parameter=list(support=0.1,confidence=0.8)) #关联规则运算，支持度support和置信度confidence分别设为0.1和0.8）
inspect(rules)
inspect(sort(rules,by="lift"))
plot(rules, method="graph")
plot(rules, method="grouped",control=list(col=rainbow(5)))
【实验报告】
数据rules.csv进行关联规则分析pdf提交实验报告。
