一、前言

       在数据分析、因素分析、原因追溯等场景中，我们每天都在跟数据打交道。但真正难的，从来不是看数据，而是看懂数据背后的关系。找到关联是解决问题的第一步，比如电商平台想知道“哪些用户行为和复购率最相关”、教育领域想挖掘“哪些知识点和考试分数强关联”、运维场景想定位“哪些指标异常和系统故障最相关”。传统的互信息算法能精准计算“两个特征有多相关”，但只能给出冰冷的数值；而大模型能把这些数值转化为人类易懂的自然语言解释。

       互信息 + 大模型就是一套“既算得准、又说得明白”的组合拳，让AI先帮我们把谁和谁最相关算清楚，再用大白话讲明白。今天我们就结合这套“互信息量化 + 大模型解释”的完整方案深入分析，让我们知道数据中什么和什么最相关，以及为什么。

二、核心概念

1. 什么是"关联"

       在数据分析中，“关联”是一个看似简单却容易被误解的概念。比如“下雨”和“打伞”、“学习时长”和“考试分数”、“广告投放”和“产品销量”，这些事物之间的联系，本质上是一个事物的变化会带来另一个事物的不确定性变化。

• 直观理解：如果知道 A 的信息后，能大幅减少对 B 的不确定性，说明 A 和 B 的关联度高；如果知道 A 后，对 B 的认知毫无变化，说明 A 和 B 无关。
• 举个例子：

• 高关联：知道“用户点击了商品详情页”，能大幅确定用户可能下单，二者关联度高；
• 无关联：知道“用户穿红色衣服”，无法判断用户是否下单，二者关联度为 0。

2. 互信息（MI）

2.1 核心定义

       互信息，Mutual Information，是信息论中的核心概念，用于衡量两个随机变量之间的“相互依赖程度”，简单说，就是“知道其中一个变量，能减少多少关于另一个变量的不确定性”，可以理解为它是量化关联的数学工具。

它的数学公式如下：

其中：

• X 和 Y 是两个随机变量，比如“学习时长”和“考试分数”；
• p(x,y) 是 X 和 Y 的联合概率分布，比如“学习2小时且分数 80分”的概率；
• p(x) 和 p(y) 是 X 和 Y 的边缘概率分布，比如“学习 2 小时”的概率、分数 80 分”的概率；
• log 通常以 2 为底，结果单位是“比特（bit）”，也可以用自然对数，单位为奈特。

通俗理解，我们用拆字法理解：

• “互”：相互，指 X 和 Y 之间的双向关系，MI 是对称的，I(X;Y)=I(Y;X)；
• “信息”：消除不确定性的东西。

举个具体例子：假设我们有 100 个学生的“学习时长（X）”和“考试分数（Y）”数据：

先计算边缘概率：

• P(X = ＜1小时) = (20+5)/100 = 0.25
• P(X = ≥2小时) = (5+70)/100 = 0.75
• P(Y = ＜60分) = (20+5)/100 = 0.25
• P(Y = ≥60分) = (5+70)/100 = 0.75

再计算联合概率：

• P(X = ＜1小时，Y = ＜60分) = 20/100 = 0.2
• P(X = ＜1小时，Y = ≥60分) = 5/100 = 0.05
• P(X = ≥2小时，Y = ＜60分) = 5/100 = 0.05
• P(X = ≥2小时，Y = ≥60分) = 70/100 = 0.7

代入公式计算：

I(X;Y) = 0.2×log₂(0.2/(0.25×0.25)) + 0.05×log₂(0.05/(0.25×0.75)) + 0.05×log₂(0.05/(0.75×0.25)) + 0.7×log₂(0.7/(0.75×0.75))

        = 0.2×log₂(3.2) + 0.05×log₂(0.2667) + 0.05×log₂(0.2667) + 0.7×log₂(1.2444)

        ≈ 0.2×1.678 + 0.05×(-1.906) + 0.05×(-1.906) + 0.7×0.315

        ≈ 0.3356 - 0.0953 - 0.0953 + 0.2205

        ≈ 0.3655 比特

这个数值意味着：知道“学习时长”后，能减少约 0.3655 比特的“考试分数”不确定性，数值越大，关联度越高。

2.2 关键特性

• 1. 非负性：I(X;Y)≥0，只有当 X 和 Y 完全独立时，I(X;Y)=0；
• 2. 对称性：I(X;Y)=I(Y;X)，“学习时长关联分数”和“分数关联学习时长”的数值相同；
• 3. 与熵的关系：I(X;Y)=H(X)−H(X∣Y)=H(Y)−H(Y∣X)，

• H 是熵，代表不确定性；
• H(X∣Y)是条件熵，指知道 Y 后 X 的剩余不确定性；

• 4. 取值范围：0≤I(X;Y)≤min(H(X),H(Y))，互信息不会超过任一变量自身的熵。

       互信息涉及到熵和条件熵的基础知识，详细的了解可以参考往期文章《构建AI智能体：六十一、信息论完全指南：从基础概念到在大模型中的实际应用》

3. 大模型应用

3.1 大模型的核心作用

       大模型给“关联数值”赋予语义解释，互信息能算出“X 和 Y 的关联度是 0.3655 比特”，但普通人看不懂这个数值的意义：

• 0.3655 比特算高还是低？
• 为什么学习时长和分数会有这个程度的关联？
• 这种关联是否有因果性？
• 除了学习时长，还有哪些因素会影响分数？

大模型的价值就是解决这些问题：把“冰冷的数值”转化为“人类能理解的自然语言解释”，比如：

“学习时长与考试分数的互信息值为 0.3655 比特，属于中高度关联。具体来看，学习时长≥2 小时的学生中，70% 分数≥60 分；而学习时长＜1 小时的学生中，80% 分数＜60 分。这说明学习时长的增加能显著提升考试分数的达标概率，但需注意：二者是关联关系而非因果关系，可能存在其他中介因素（如学习效率、基础水平）影响结果。”

3.2 大模型与互信息结合的优势

• 互信息是量化两个变量关联度的数学工具，核心是减少不确定性的程度；
• 大模型是解释关联度的语义工具，核心是把数值转化为人类易懂的语言；
• 二者结合的核心目标：让AI既算得准，又说得清。

三、基础知识

       要真正理解互信息，必须先搞懂“熵”，因为互信息是基于熵推导出来的，这里我们争对重点做简单的梳理了解。

1. 熵

       熵是衡量“不确定性”的指标，熵的定义是：一个随机变量的不确定性大小，公式定义如下，公式只做基础了解，明白示例中计算的方式来源即可，感兴趣可做深入探究；

通俗理解：熵越大，变量的不确定性越高。

• 例子 1：抛均匀硬币（正面概率 0.5，反面 0.5），H(X)=−0.5×log₂0.5−0.5×log₂0.5=1 比特；
• 例子 2：抛作弊硬币（正面概率 0.9，反面 0.1），H(X)=−0.9×log₂0.9−0.1×log₂0.1≈0.469 比特；
• 例子 3：抛确定硬币（正面概率 1，反面 0），H(X)=−1×log₂1−0×log₂0=0 比特。

可以看到：硬币越“公平”，熵越大，表示不确定性越高；越“作弊”，熵越小；完全确定时，熵为 0。

2. 条件熵

       条件熵H(X∣Y)指：在已知随机变量 Y 的条件下，随机变量 X 的不确定性，简单说就是知道 Y 后 X 的剩余不确定性。公式如下：

通俗理解：

• 比如，原本“考试分数（X）”的熵是 1.2 比特，不确定性较高；如果知道了“学习时长（Y）”，X 的条件熵H(X∣Y)变成 0.8 比特；
• 这意味着，知道 Y 后，X 的不确定性减少了1.2−0.8=0.4比特，而这部分减少的不确定性，就是互信息I(X;Y)。

3. 互信息与熵的关系

从上面的例子可以直接得出互信息的另一个公式：

I(X;Y)=H(X)−H(X∣Y)=H(Y)−H(Y∣X)

这个公式比原始公式更易理解：互信息 = 原不确定性 - 已知另一变量后的剩余不确定性。

举个例子：

• 考试分数（Y）的熵H(Y)=1.2比特，可以理解为完全不知道时，不确定性1.2；
• 知道学习时长（X）后，Y 的条件熵H(Y∣X)=0.8比特，剩余不确定性 0.8；
• 互信息I(X;Y)=1.2−0.8=0.4比特，这就是 X 能为 Y 减少的不确定性。

总的来说：

• 熵是“不确定性”的量化，条件熵是“已知 Y 后 X 的剩余不确定性”，互信息 = 熵 - 条件熵；
• 大模型的核心作用是把互信息的数值结果转化为语义化解释，选型需结合成本和效果。

四、执行流程

步骤 1：数据准备

核心目标：收集需要分析关联度的变量数据，确保数据格式规范。

数据类型：

• 离散型变量：比如“性别（男/女）”、“学历（小学/中学/大学）”、“是否购买（是/否）”；
• 连续型变量：比如“学习时长（小时）”、“销售额（元）”、“温度（℃）”。

示例数据：以“电商用户行为与购买决策”为例，准备如下数据，数据存储为user_behavior.csv格式文件，示例中会用到：

注意事项：

• 数据量：至少保证每个变量有 100 + 样本，样本太少会导致互信息计算结果不可靠；
• 变量数量：建议先分析1个目标变量（比如“是否购买”）与多个特征变量（比如浏览时长、收藏次数）的关联，避免初期变量过多导致混乱。

步骤 2：数据预处理

核心目标：清洗数据，将数据转化为适合计算互信息的格式。

关键操作：

• 1. 缺失值处理：

• 离散变量：用众数填充，比如“收藏次数”缺失值填充为 0；
• 连续变量：用均值或中位数填充，比如“浏览时长”缺失值填充为均值14分钟。

• 2. 连续变量离散化，互信息对离散变量更友好：

• 方法：等宽分箱、等频分箱、K-Means 分箱；
• 示例：将“浏览时长（分钟）”离散化为3个区间：＜10 分钟、10~20 分钟、＞20 分钟。

• 3. 异常值处理：

• 比如“浏览时长 = 1000分钟”明显异常，用95分位数替换。

预处理示例代码：

import pandas as pd
import numpy as np
# 读取数据
df = pd.read_csv("user_behavior.csv")
# 1. 处理缺失值
df["浏览时长（分钟）"].fillna(df["浏览时长（分钟）"].median(), inplace=True)
df["收藏次数"].fillna(0, inplace=True)
# 2. 连续变量离散化（浏览时长）
df["浏览时长_分箱"] = pd.cut(
    df["浏览时长（分钟）"],
    bins=[0, 10, 20, np.inf],
    labels=["＜10分钟", "10~20分钟", "＞20分钟"]
)
# 3. 处理异常值（浏览时长＞120分钟视为异常）
df.loc[df["浏览时长（分钟）"] > 120, "浏览时长（分钟）"] = df["浏览时长（分钟）"].quantile(0.95)
# 查看预处理后的数据
print(df.head())

输出结果：

用户ID  浏览时长（分钟）  收藏次数  加购次数  是否购买（0/1）  客单价（元）  浏览时长_分箱

0     1         5     0     0          0       0    ＜10分钟

1     2        15     2     1          1     299  10~20分钟

2     3        30     5     3          1     599    ＞20分钟

3     4         2     0     0          0       0    ＜10分钟

4     5        20     3     2          1     399  10~20分钟

步骤 3：计算互信息/归一化互信息

核心目标：量化特征变量与目标变量的关联度。

关键说明：

• Python 中常用sklearn.metrics的mutual_info_score计算离散变量的互信息；
• 连续变量可先用KBinsDiscretizer离散化，再计算；
• 需手动实现归一化互信息。

计算示例代码：

from sklearn.metrics import mutual_info_score
from sklearn.preprocessing import KBinsDiscretizer
import numpy as np
# 定义计算归一化互信息（NMI）的函数
def normalized_mutual_info(x, y):
    # 计算互信息
    mi = mutual_info_score(x, y)
    # 计算x和y的熵
    def entropy(arr):
        _, counts = np.unique(arr, return_counts=True)
        prob = counts / counts.sum()
        return -np.sum(prob * np.log2(prob + 1e-10))  # +1e-10避免log(0)
    
    h_x = entropy(x)
    h_y = entropy(y)
    # 归一化（避免除以0）
    if h_x == 0 or h_y == 0:
        return 0
    nmi = 2 * mi / (h_x + h_y)
    return mi, nmi
# 目标变量：是否购买（0/1）
y = df["是否购买（0/1）"]
# 特征变量列表
features = ["浏览时长_分箱", "收藏次数", "加购次数"]
# 存储结果
mi_results = {}
nmi_results = {}
# 遍历特征计算MI和NMI
for feat in features:
    mi, nmi = normalized_mutual_info(df[feat], y)
    mi_results[feat] = mi
    nmi_results[feat] = nmi
# 打印结果
print("互信息（MI）结果：")
for feat, val in mi_results.items():
    print(f"{feat}: {val:.4f} 比特")
print("\n归一化互信息（NMI）结果（0~1）：")
for feat, val in nmi_results.items():
    print(f"{feat}: {val:.4f}")

输出结果：

互信息（MI）结果：

浏览时长_分箱: 0.6730 比特

收藏次数: 0.6730 比特

加购次数: 0.6730 比特

归一化互信息（NMI）结果（0~1）：

浏览时长_分箱: 0.5399

收藏次数: 0.4653

加购次数: 0.4653

步骤 4：关联度排序

核心目标：明确“哪些特征与目标变量最相关”。

操作示例代码：

# 将NMI结果按降序排序
sorted_nmi = sorted(nmi_results.items(), key=lambda x: x[1], reverse=True)
print("特征关联度排序（按NMI降序）：")
for i, (feat, val) in enumerate(sorted_nmi, 1):
    print(f"{i}. {feat}: {val:.4f}")

输出结果：

特征关联度排序（按NMI降序）：

1. 浏览时长_分箱: 0.5399

2. 收藏次数: 0.4653

3. 加购次数: 0.4653

结果图示：

步骤 5：构造大模型提示词

核心目标：向大模型清晰传递 “数据结果 + 解释需求”，确保生成的解释准确、易懂。

提示词设计原则：

• 1. 明确角色：让大模型扮演 “数据分析专家”；
• 2. 提供上下文：说明分析的场景、变量含义；
• 3. 给出数据结果：包括关联度排序、具体数值；
• 4. 指定解释要求：比如“通俗易懂”、“说明关联原因”、“给出业务建议”；
• 5. 限定格式：比如分点说明、避免专业术语。

提示词示例：

# 构造提示词
prompt = f"""
请你扮演一位电商数据分析专家，基于以下数据结果，向非技术背景的业务人员解释用户行为与购买决策的关联关系：
### 分析场景
本次分析的是电商平台用户行为（浏览时长、收藏次数、加购次数）与用户是否购买商品的关联关系。
### 关键定义
- 浏览时长_分箱：用户浏览商品详情页的时长，分为＜10分钟、10~20分钟、＞20分钟；
- 收藏次数：用户收藏该商品的次数；
- 加购次数：用户将该商品加入购物车的次数；
- 是否购买：用户最终是否购买该商品（0=未购买，1=购买）；
- 归一化互信息（NMI）：0代表完全无关，1代表完全相关，数值越大关联度越高。
### 数据结果
特征与是否购买的关联度排序（按NMI降序）：
1. 加购次数：NMI=0.5399
2. 收藏次数：NMI=0.4653
3. 浏览时长_分箱：NMI=0.4653
### 解释要求
1. 用通俗易懂的语言解释每个特征与购买决策的关联程度；
2. 说明为什么加购次数的关联度最高；
3. 给出对应的业务建议；
4. 避免使用专业术语，确保非技术人员能理解。
"""
# 打印提示词（方便检查）
print(prompt)

步骤 6：调用大模型 API

核心目标：让大模型基于提示词生成关联解释。

import json
import os
import dashscope
from dashscope.api_entities.dashscope_response import Role

# 从环境变量中，获取 DASHSCOPE_API_KEY
api_key = os.environ.get('DASHSCOPE_API_KEY')
dashscope.api_key = api_key

# 封装模型响应函数
def get_llm_explanation(prompt):
    try:
        response = dashscope.Generation.call(
            model='deepseek-v3',
            messages=[
                {"role": "system", "content": "你是一位电商数据分析专家，擅长用通俗易懂的语言向非技术人员解释数据分析结果。"},
                {"role": "user", "content": prompt}
            ],
            result_format='message',
            temperature=0.3,
            max_tokens=1000
        )
        return response.output.choices[0].message.content
    except Exception as e:
        return f"调用失败: {str(e)}"

# 获取解释结果
explanation = get_llm_explanation(prompt)

# 打印结果
print("大模型生成的关联解释：")
print(explanation)

输出结果：

大模型生成的关联解释：

好的，让我们一起来探讨一下这些数据背后的故事。

### 1. 加购次数

**关联度：0.5399**

**解释：**

加购次数指的是用户将商品加入购物车的次数。这个指标非常直观地反映了用户对商品的兴趣和购买意愿。如果一个用户多次加购某商品，这通常意味着他们对这个商品非常感兴趣，有很大的可能性最终会购买它。因此，加购次数与购买决策之间的关联度非常高。

### 2. 收藏次数

**关联度：0.4653**

**解释：**

收藏次数是指用户将该商品加入收藏夹的次数。收藏的行为表明用户对商品有一定的兴趣和偏好。虽然收藏次数没有加购次数那么高，但它仍然是一个很强的购买信号。毕竟，如果用户不打算购买，他们通常不会特意去收藏商品。

### 3. 浏览时长_分箱

**关联度：0.4653**

**解释：**

浏览时长是指用户在商品详情页停留的时间。这个指标可以反映用户对商品的兴趣程度。一个用户在详情页停留时间较长，可能意味着他们对商品有较深的了解和兴趣，从而增加了购买的可能性。然而，浏览时长与购买决策的关联度相对较低，因为有些用户可能在详情页停留很长时间但不一定会购买，或者他们可能在浏览过程中失去了兴趣。

### 业务建议

基于以上分析，我们可以得出以下几点业务建议：

1. **提高加购率**：商家可以通过优化商品详情页、增加用户评价、提供个性化的推荐等方式，进一步提高用户的加购率。加购次数的提升通常会直接 转化为购买行为。

2. **加强收藏功能**：商家可以在商品页面增加更多的个性化推荐和互动元素，鼓励用户收藏商品。同时，定期清理长时间未访问的收藏夹，保持用户 的活跃度和兴趣。

3. **优化浏览体验**：通过改进商品详情页的设计和内容，减少用户的浏览时间，提高他们的购买转化率。例如，提供更详细的产品信息、更清晰的用 户评价和更简洁的导航流程。

4. **综合运用多种策略**：结合加购次数、收藏次数和浏览时长等多个指标，进行综合分析，制定更精准的营销策略。例如，对于加购次数多的用户， 可以推送更多的优惠活动和购买建议；对于收藏次数多的用户，可以提供更多的产品信息和个性化推荐。

通过这些方法，商家可以更有效地提高用户的购买转化率，提升整体的销售业绩。

步骤 7：结果验证与优化

核心目标：确保互信息计算准确、大模型解释合理。

验证方法：

• 1. 互信息验证：

• 更换离散化方法，比如等宽分箱→等频分箱，重新计算，看结果是否稳定；
• 增加样本量，看关联度排序是否变化。

• 2. 大模型解释验证：

• 检查解释是否与数据结果一致，比如是否正确指出加购次数关联度最高；
• 让业务人员评估解释是否易懂、是否符合业务逻辑；
• 优化提示词，比如增加“结合电商行业常识”，重新生成解释。

五、总结

       互信息 MI + 大模型组合让我们深刻的认识到好的 AI，既要算得准，也要说得清。互信息负责准，它用最客观的方式告诉我们，哪些特征和结果最相关，不掺经验、不带偏见，在因素分析、原因追溯、知识点关联这些场景里，能一下子抓住核心，比瞎猜、靠经验靠谱太多。但它的问题也很明显，只给数字不给解释，非专业很难直接用。而大模型刚好补上这个缺口，它不抢计算的活儿，专门做 翻译官和解读专家，把冰冷的数值变成人话：为什么这个因素重要、背后可能是什么逻辑、接下来可以怎么行动。一个负责定量，一个负责定性；一个负责找关联，一个负责给解释，两者一结合，数据分析的门槛直接降了一大截。

       我们可以先用互信息把关键关联筛出来，再交给大模型做深度解释。不管是电商找复购因素、教育找知识点关联、还是运维定位故障，都可以使用。真正好用的 AI，不是越复杂越好，而是让专业的事更精准，让难懂的结果更通俗。互信息 + 大模型，就是能看懂、能真正帮到业务的可行实践。

附录：完整实例代码

import pandas as pd
import numpy as np
# 读取数据
df = pd.read_csv("user_behavior.csv")
# 1. 处理缺失值
df["浏览时长（分钟）"].fillna(df["浏览时长（分钟）"].median(), inplace=True)
df["收藏次数"].fillna(0, inplace=True)
# 2. 连续变量离散化（浏览时长）
df["浏览时长_分箱"] = pd.cut(
    df["浏览时长（分钟）"],
    bins=[0, 10, 20, np.inf],
    labels=["＜10分钟", "10~20分钟", "＞20分钟"]
)
# 3. 处理异常值（浏览时长＞120分钟视为异常）
df.loc[df["浏览时长（分钟）"] > 120, "浏览时长（分钟）"] = df["浏览时长（分钟）"].quantile(0.95)
# 查看预处理后的数据
print(df.head())
from sklearn.metrics import mutual_info_score
from sklearn.preprocessing import KBinsDiscretizer
import numpy as np
# 定义计算归一化互信息（NMI）的函数
def normalized_mutual_info(x, y):
    # 计算互信息
    mi = mutual_info_score(x, y)
    # 计算x和y的熵
    def entropy(arr):
        _, counts = np.unique(arr, return_counts=True)
        prob = counts / counts.sum()
        return -np.sum(prob * np.log2(prob + 1e-10))  # +1e-10避免log(0)
    
    h_x = entropy(x)
    h_y = entropy(y)
    # 归一化（避免除以0）
    if h_x == 0 or h_y == 0:
        return 0
    nmi = 2 * mi / (h_x + h_y)
    return mi, nmi
# 目标变量：是否购买（0/1）
y = df["是否购买（0/1）"]
# 特征变量列表
features = ["浏览时长_分箱", "收藏次数", "加购次数"]
# 存储结果
mi_results = {}
nmi_results = {}
# 遍历特征计算MI和NMI
for feat in features:
    mi, nmi = normalized_mutual_info(df[feat], y)
    mi_results[feat] = mi
    nmi_results[feat] = nmi
# 打印结果
print("互信息（MI）结果：")
for feat, val in mi_results.items():
    print(f"{feat}: {val:.4f} 比特")
print("\n归一化互信息（NMI）结果（0~1）：")
for feat, val in nmi_results.items():
    print(f"{feat}: {val:.4f}")
# 将NMI结果按降序排序
sorted_nmi = sorted(nmi_results.items(), key=lambda x: x[1], reverse=True)
print("特征关联度排序（按NMI降序）：")
for i, (feat, val) in enumerate(sorted_nmi, 1):
    print(f"{i}. {feat}: {val:.4f}")
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文字体（避免乱码）
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
# 提取排序后的特征和NMI值
features_sorted = [item[0] for item in sorted_nmi]
nmi_sorted = [item[1] for item in sorted_nmi]
# 绘制柱状图
plt.figure(figsize=(10, 6))
sns.barplot(x=features_sorted, y=nmi_sorted, palette="viridis")
plt.title("用户行为特征与购买决策的关联度（NMI）", fontsize=14)
plt.xlabel("特征名称", fontsize=12)
plt.ylabel("归一化互信息（NMI）", fontsize=12)
plt.ylim(0, 1)  # NMI范围0~1
plt.grid(axis="y", linestyle="--", alpha=0.7)
# 在柱子上标注数值
for i, val in enumerate(nmi_sorted):
    plt.text(i, val + 0.02, f"{val:.4f}", ha="center", fontsize=10)
# 保存图片
plt.tight_layout()
plt.savefig("feature_correlation.png", dpi=300)
plt.show()
# 构造提示词
prompt = f"""
请你扮演一位电商数据分析专家，基于以下数据结果，向非技术背景的业务人员解释用户行为与购买决策的关联关系：
### 分析场景
本次分析的是电商平台用户行为（浏览时长、收藏次数、加购次数）与用户是否购买商品的关联关系。
### 关键定义
- 浏览时长_分箱：用户浏览商品详情页的时长，分为＜10分钟、10~20分钟、＞20分钟；
- 收藏次数：用户收藏该商品的次数；
- 加购次数：用户将该商品加入购物车的次数；
- 是否购买：用户最终是否购买该商品（0=未购买，1=购买）；
- 归一化互信息（NMI）：0代表完全无关，1代表完全相关，数值越大关联度越高。
### 数据结果
特征与是否购买的关联度排序（按NMI降序）：
1. 加购次数：NMI=0.5399
2. 收藏次数：NMI=0.4653
3. 浏览时长_分箱：NMI=0.4653
### 解释要求
1. 用通俗易懂的语言解释每个特征与购买决策的关联程度；
2. 说明为什么加购次数的关联度最高；
3. 给出对应的业务建议；
4. 避免使用专业术语，确保非技术人员能理解。
"""
# 打印提示词（方便检查）
print(prompt)

import json
import os
import dashscope
from dashscope.api_entities.dashscope_response import Role

# 从环境变量中，获取 DASHSCOPE_API_KEY
api_key = os.environ.get('DASHSCOPE_API_KEY')
dashscope.api_key = api_key

# 封装模型响应函数
def get_llm_explanation(prompt):
    try:
        response = dashscope.Generation.call(
            model='deepseek-v3',
            messages=[
                {"role": "system", "content": "你是一位电商数据分析专家，擅长用通俗易懂的语言向非技术人员解释数据分析结果。"},
                {"role": "user", "content": prompt}
            ],
            result_format='message',
            temperature=0.3,
            max_tokens=1000
        )
        return response.output.choices[0].message.content
    except Exception as e:
        return f"调用失败: {str(e)}"

# 获取解释结果
explanation = get_llm_explanation(prompt)

# 打印结果
print("大模型生成的关联解释：")
print(explanation)