【数据挖掘】关联模式评估方法及Apriori算法超市购物应用实战（超详细附源码）

喜欢ヅ旅行 2023-09-30 18:36 81阅读 0赞

> **需要源码请点赞关注收藏后评论区留言私信~~~**

大部分关联规则挖掘算法都使用支持度-置信度框架。尽管最小支持度和置信度阈值可以排除大量无趣规则的探查，但仍然会有一些用户不感兴趣的规则存在。当使用低支持度阈值挖掘或挖掘长模式时，这种情况尤为严重

强关联规则不一定是有趣的，并且只有用户才能够评判一个给定的规则是否有趣

![216ecf886ba344d0a61cb32f42000480.png][]

## 从关联分析到相关分析 ##

由于支持度和置信度还不足以过滤掉无趣的关联规则，因此，可以使用相关性度量来扩展关联规则的支持度-置信度框架。相关规则框架为：

![09a799a15928400da295cdfa1d4d38bf.png][]

![5a35d977f9d24e4ab87b9f07d9804959.png][]

1：提升度

![ab0cbf5cac08406b9eb7caf7bbd0e0b5.png][]

2：使用卡方进行检验

![d3ee28c0950c43c2b9e5b134544969c6.png][]

## Apriori算法应用 ##

在Pyhton中进行关联规则挖掘时需要用到apyori包，apyori包的安装方式为：

> pip install apyori

首先导入包和相关数据 输出部分数据如下图所示

![3ae268894b1944838fabaa8fd6104795.png][]

接着获取项集

![9ebe8056f88b42d288034d24c16297e6.png][]

返回结果result中的属性说明：

items – 项集，

frozenset对象，

可迭代取出子集；

support – 支持度，

float类型；

confidence – 置信度或可信度，

float类型；

ordered\_statistics – 存在的关联规则，可迭代，迭代后

其元素的属性： items\_base – 关联规则中的分母项集； confidence – 上面的分母规则所对应的关联规则的可信度

进行关联规则挖掘 输出如下

![e8d7cacdfe784919adb9d44a374f789d.png][]

显示挖掘的关联规则 输出如下

![20968e37fb104a0baf6d5e2eb41c1a2b.png][]

部分代码如下

import pandas as pd
    from apyori import apriori
    df = pd.read_excel("data.xls")
    df.head()
    min_supp = 0.1  
    min_conf = 0.1  
    min_lift = 0.1  
    result = list(apriori(transactions=transactions, min_support=min_supp, 
               min_confidence=min_conf, min_lift=min_lift))
    result
    supports=[]
    confidences=[]
    lifts=[]
    bases=[]
    adds=[]
    for r in result:
        for x in r.ordered_statistics:
            supports.append(r.support)
            confidences.append(x.confidence)
            lifts.append(x.lift)
            bases.append(list(x.items_base))
            adds.append(list(x.items_add))
    resultshow = pd.DataFrame({
        'support':supports,
        'confidence':confidences,
        'lift':lifts,
        'base':bases,
        'add':adds})

## Apriori算法应用2 ##

关联规则目前在scikit-learn中并没有实现

机器学习扩展库mlxtend

是一款高级的机器学习扩展库,可用于日常机器学习任务的主要工具,也可以作为sklearn的一个补充和辅助工具

mlxtend提供了多种分类和回归算法api，包括多层感知机、stacking分类器、逻辑回归等

使用如下命令安装

> pip install mlxtend

我们以超市购物为场景来进行算法应用 计算频繁项集结果如下

![5d81080f78b6485d9ec26511b36acc71.png][]

结果如下

可见不同商品之间的组合关联程度不同 商家可以根据这个来调整货物的摆放![21961c48c83e4063a5db0482c18eb5c4.png][]

部分代码如下

mport pandas as pd
    item_list = [['牛奶','面包'],
        ['面包','尿布','啤酒','土豆'],
        ['牛奶','尿布','啤酒','可乐'],
        me(item_list)
    # from mlxtend.preprocessing import TransactionEncode
    import mlxtend
    te = mlxtend.preprocessing.TransactionEncoder()
    df_tf = te.fit_transform(item_list)
    df = pd.DataFrame(df_tf,columns=te.columns_)
    display(df)
    计算频繁项集
    from mlxtend.frequent_patterns import apriori
    
    # use_colnames=True表示使用元素名字，默认的False使用列名代表元素frequent_itemsets = apriori(df, min_support=0.05, use_colnames=True)
    
    frequent_itemsets.sort_values(by='support', ascending=False, inplace=True)
    
    # 选择2频繁项集
    print(frequent_itemsets[frequent_itemsets.itemsets.apply(lambd

## 总结 ##

关联分析是数据挖掘体系中重要的组成部分之一，其代表性的案例即为“购物篮分析”，即通过搜索经常在一起购买的商品的集合，研究顾客的购买习惯

关联规则挖掘的过程主要包含两个阶段。第一阶段必须先从事务数据集中找出所有的频繁项，第二阶段再由这些频繁项产生强关联规则。这些规则满足最小支持度和最小置信度阈值

频繁项集的挖掘方法主要有Apriori算法、基于频繁模式增长算法如FP-Growth以及利用垂直数据格式的算法

Apriori算法是最早出现的关联规则挖掘算法。它利用逐层搜索的迭代方法找出事务集中项集的关系，并形成关联规则。Apriori算法利用了“频繁项集的所有非空子集也是频繁的”这一先验性质，迭代对k项频繁集连接生成k+1项候选集并进行剪枝，得到k+1项频繁集。最后利用频繁项集构造满足最小支持度和最小置信度的规则

**创作不易 觉得有帮助请点赞关注收藏~~~**

[216ecf886ba344d0a61cb32f42000480.png]: https://img-blog.csdnimg.cn/216ecf886ba344d0a61cb32f42000480.png
[09a799a15928400da295cdfa1d4d38bf.png]: https://img-blog.csdnimg.cn/09a799a15928400da295cdfa1d4d38bf.png
[5a35d977f9d24e4ab87b9f07d9804959.png]: https://img-blog.csdnimg.cn/5a35d977f9d24e4ab87b9f07d9804959.png
[ab0cbf5cac08406b9eb7caf7bbd0e0b5.png]: https://img-blog.csdnimg.cn/ab0cbf5cac08406b9eb7caf7bbd0e0b5.png
[d3ee28c0950c43c2b9e5b134544969c6.png]: https://img-blog.csdnimg.cn/d3ee28c0950c43c2b9e5b134544969c6.png
[3ae268894b1944838fabaa8fd6104795.png]: https://img-blog.csdnimg.cn/3ae268894b1944838fabaa8fd6104795.png
[9ebe8056f88b42d288034d24c16297e6.png]: https://img-blog.csdnimg.cn/9ebe8056f88b42d288034d24c16297e6.png
[e8d7cacdfe784919adb9d44a374f789d.png]: https://img-blog.csdnimg.cn/e8d7cacdfe784919adb9d44a374f789d.png
[20968e37fb104a0baf6d5e2eb41c1a2b.png]: https://img-blog.csdnimg.cn/20968e37fb104a0baf6d5e2eb41c1a2b.png
[5d81080f78b6485d9ec26511b36acc71.png]: https://img-blog.csdnimg.cn/5d81080f78b6485d9ec26511b36acc71.png
[21961c48c83e4063a5db0482c18eb5c4.png]: https://img-blog.csdnimg.cn/21961c48c83e4063a5db0482c18eb5c4.png