基于python flask的疾病数据采集与可视化大屏，实现关联规则算法的治疗方法分析

中，其中包含多个以网格布局显示的部分。

动态内容：

页面使用JavaScript加载动态内容。诸如图表（ECharts库）和词云等元素是根据脚本中提供的数据动态生成的。
图表、词云和树形结构的数据定义在脚本中，使用类似JSON的结构。

交互元素：

页面包含交互元素，如工具提示、窗口调整大小时图表的动态调整，以及用于数据可视化的动画过渡。
词云和树形结构可视化具有交互功能，如悬停效果和单击事件。

响应式设计：

设计包括响应式功能，因为图表和元素会根据窗口宽度调整大小，并根据窗口宽度动态调整页面的字体大小。
页面的字体大小根据窗口宽度动态调整，以确保响应性。

数据可视化：

包括各种类型的数据可视化，如饼图、柱状图、词云和树状结构，以便以视觉上吸引人的方式呈现数据。

关联规则算法实现

关联规则算法用于发现数据集中项目之间的关联关系，其中最常见的算法之一是Apriori算法。以下是关联规则算法的实现描述：

数据预处理：

通过读取Excel文件获取数据，并针对数据集进行清洗和处理，包括处理缺失值和对治疗方法进行处理。

数据转换：

将处理后的数据转换为适合关联规则算法的格式，这里使用mlxtend库中的TransactionEncoder将数据转换为布尔类型的数据集。

频繁项集挖掘：

使用Apriori算法来挖掘频繁项集，该算法通过设定最小支持度阈值来确定频繁项集。
针对挖掘到的频繁项集，计算支持度，并找出支持度最大和最小的频繁项集。

关联规则生成：

基于频繁项集，生成关联规则，其中关联规则的支持度和置信度是评估规则好坏的重要指标。
用户可以根据设定的最小支持度和最小置信度阈值来生成关联规则。

关联规则筛选：

可以根据关联规则的长度和支持度进行筛选，选择特定长度的规则，并根据支持度进行排序展示。

关联规则查询：

提供了查询特定项集的关联规则的功能，用户可以输入关联规则中的特定项，查找包含该项的关联规则。

算法比较：

在实现中也提到了使用FP-growth算法来查找频繁项集，可以通过比较不同算法的效果和性能来选择适合的算法。
总体而言，关联规则算法实现包括数据预处理、频繁项集挖掘、关联规则生成、关联规则筛选和查询等步骤，帮助用户发现数据集中的关联关系并进行进一步分析和应用。主要代码如下：

 
def association_rule(dataset, min_support=0.15):
    te = TransactionEncoder()
    te_ary = te.fit(dataset).transform(dataset)
    df = pd.DataFrame(te_ary, columns=te.columns_)
    frequent_itemsets = apriori(df, min_support=min_support, use_colnames=True)
    frequent_itemsets['length'] = frequent_itemsets['itemsets'].apply(lambda x: len(x))
    res = frequent_itemsets
    x = max(res['support'])
    n = min(res['support'])
    print('max:', x, 'min:', n)
 
    return frequent_itemsets
 
 
res1 = association_rule(dataset, min_support=0.05)
print(res1)

结果如下图：

大屏效果