现需要利用数据挖掘发现以往药物处方适用的规律，给出不同的临床特征病人更适合服用哪种药物的建议，为未来医生开具处方提供参考。

这是一个非常有挑战性的数据挖掘任务，需要从大量的医疗数据中提取有用的信息和规律。以下是一些可能有用的步骤和技术：

1. 数据收集：收集大量的医疗数据，包括病人的临床特征、历史病历、药物处方等信息。

2. 数据预处理：对数据进行清洗、去噪、缺失值填充等预处理，以保证数据的质量和完整性。

3. 特征工程：根据医学领域的知识和经验，从原始数据中提取有用的特征，比如病人的年龄、性别、症状、病史等。

4. 模型选择：选择合适的机器学习模型，比如决策树、逻辑回归、支持向量机等，以及深度学习模型，比如神经网络、卷积神经网络等。

5. 模型训练：使用训练数据对模型进行训练，以学习不同特征和药物之间的关系。

6. 模型评估：使用测试数据对模型进行评估，以评估模型的准确性和性能。

7. 模型优化：根据评估结果，对模型进行优化和调整，以提高模型的性能和准确性。

最终，我们可以利用训练好的模型，对新的病人数据进行预测，给出他们更适合服用哪种药物的建议。需要注意的是，这个过程需要经验丰富的医学专家的参与，以确保预测结果的有效性和安全性。