一、关联规则挖掘简介
关联规则挖掘是一种在大型数据集中发现项集之间有趣关系的方法。最著名的关联规则挖掘算法之一是Apriori算法，它用于从交易数据（如超市购物篮分析）中找出商品之间的关联关系。关联规则挖掘的结果通常表示为形如“如果购买了A，那么很可能也会购买B”的规则。
二、Python代码示例
首先，确保您已经安装了mlxtend库。如果没有，请使用pip进行安装：
pip install mlxtend
接下来，我们将使用mlxtend.frequent_patterns模块中的apriori()和association_rules()函数来挖掘关联规则。
import pandas as pd
from mlxtend.frequent_patterns import apriori, association_rules
# 示例数据集：超市购物篮数据
# 每行代表一个交易，每列代表一个商品（用整数或字符串表示）
dataset = [
['牛奶', '洋葱', '营养麦片', '鸡蛋'],
['啤酒', '尿布', '牛奶'],
['尿布', '啤酒', '鸡蛋', '橙汁'],
['牛奶', '尿布', '啤酒', '鸡蛋'],
['尿布', '啤酒'],
# ... 更多交易数据
]
# 将数据集转换为one-hot编码的DataFrame
def encode_units(dataset):
return pd.get_dummies(pd.DataFrame(list(map(frozenset, dataset))))
# 编码数据集
df = encode_units(dataset)
# 使用Apriori算法找出频繁项集
min_support = 0.2 # 最小支持度，表示项集在所有交易中出现的频率阈值
frequent_itemsets = apriori(df, min_support=min_support, use_colnames=True)
# 打印频繁项集
print("Frequent Itemsets:")
print(frequent_itemsets)
# 使用association_rules函数从频繁项集中生成关联规则
metric = "lift" # 使用提升度（lift）作为评估指标
rules = association_rules(frequent_itemsets, metric=metric, min_threshold=1)
# 打印关联规则
print("\nAssociation Rules:")
print(rules[['antecedents', 'consequents', 'support', 'confidence', 'lift']])
三、代码解释
- 导入必要的库：首先，我们导入了
pandas库来处理数据，以及mlxtend.frequent_patterns模块中的apriori()和association_rules()函数。 - 准备数据集：我们创建了一个示例数据集，其中包含超市购物篮的交易数据。每个交易都是一个商品列表。
- 数据编码：由于Apriori算法需要one-hot编码的数据，我们定义了一个
encode_units()函数来将原始数据集转换为one-hot编码的DataFrame。这里使用了pandas的get_dummies()函数和frozenset来确保商品顺序不影响编码结果。 - 找出频繁项集：使用
apriori()函数找出满足最小支持度阈值的频繁项集。支持度是项集在所有交易中出现的频率。通过调整min_support参数，我们可以控制频繁项集的严格程度。 - 生成关联规则：使用
association_rules()函数从频繁项集中生成关联规则。该函数接受频繁项集作为输入，并输出包含前件（antecedents）、后件（consequents）、支持度（support）、置信度（confidence）和提升度（lift）等信息的关联规则。这里我们选择提升度作为评估指标，并设置最小阈值为1（即只输出提升度大于1的规则）。 - 打印结果：最后，我们打印出频繁项集和关联规则。频繁项集显示了哪些商品组合是频繁的，而关联规则则进一步揭示了这些商品组合之间的关联关系。
四、关联规则评估指标
- 支持度（Support）：表示项集在所有交易中出现的频率。支持度越高，表示该项集越常见。
- 置信度（Confidence）：表示在包含前件的交易中，也包含后件的概率。置信度越高，表示规则越可靠。
- 提升度（Lift）：表示包含前件和后件的交易频率与不包含前件时包含
处理结果：一、关联规则挖掘简介
关联规则挖掘是一种在大型数据集中发现项集之间有趣关系的方法。最著名的关联规则挖掘算法之一是Apriori算法，它用于从交易数据（如超市购物篮分析）中找出商品之间的关联关系。关联规则挖掘的结果通常表示为形如“如果购买了A，那么很可能也会购买B”的规则。二、Python代码示例
首先，确保您已经安装了mlxtend库。如果没有，请使用pip进行安装：bashpython示例数据集：超市购物篮数据
['牛奶', '洋葱', '营养麦片', '鸡蛋'],
['啤酒', '尿布', '牛奶'],
['尿布', '啤酒', '鸡蛋', '橙汁'],
['牛奶', '尿布', '啤酒', '鸡蛋'],
['尿布', '啤酒'],... 更多交易数据
将数据集转换为one-hot编码的DataFrame
return pd.get_dummies(pd.DataFrame(list(map(frozenset, dataset))))编码数据集
使用Apriori算法找出频繁项集
打印频繁项集
使用association_rules函数从频繁项集中生成关联规则
打印关联规则
- 导入必要的库：首先，我们导入了
pandas库来处理数据，以及mlxtend.frequent_patterns模块中的apriori()和association_rules()函数。
准备数据集：我们创建了一个示例数据集，其中包含超市购物篮的交易数据。每个交易都是一个商品列表。
数据编码：由于Apriori算法需要one-hot编码的数据，我们定义了一个encode_units()函数来将原始数据集转换为one-hot编码的DataFrame。这里使用了pandas的get_dummies()函数和frozenset来确保商品顺序不影响编码结果。
找出频繁项集：使用apriori()函数找出满足最小支持度阈值的频繁项集。支持度是项集在所有交易中出现的频率。通过调整min_support参数，我们可以控制频繁项集的严格程度。
生成关联规则：使用association_rules()函数从频繁项集中生成关联规则。该函数接受频繁项集作为输入，并输出包含前件（antecedents）、后件（consequents）、支持度（support）、置信度（confidence）和提升度（lift）等信息的关联规则。这里我们选择提升度作为评估指标，并设置最小阈值为1（即只输出提升度大于1的规则）。
打印结果：最后，我们打印出频繁项集和关联规则。频繁项集显示了哪些商品组合是频繁的，而关联规则则进一步揭示了这些商品组合之间的关联关系。四、关联规则评估指标
- 支持度（Support）：表示项集在所有交易中出现的频率。支持度越高，表示该项集越常见。
