Apriori算法对products数据集的关联规则挖掘

以下是使用Python实现Apriori算法对products数据集进行关联规则挖掘的代码：

# 载入所需库
import pandas as pd
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules

# 载入数据集
data = pd.read_csv('products.csv', header=None)

# 对数据集进行one-hot编码
data_hot_encoded = data.stack().str.get_dummies().sum(level=0)

# 使用Apriori算法生成频繁项集
frequent_itemsets = apriori(data_hot_encoded, min_support=0.02, use_colnames=True)

# 使用关联规则算法生成关联规则
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.5)

# 打印关联规则
print(rules)

在上述代码中，我们使用了mlxtend库中的apriori函数和association_rules函数来分别生成频繁项集和关联规则。其中，min_support参数指的是最小支持度，use_colnames参数表示使用数据集中的列名作为项集的名称，metric参数指的是计算关联规则置信度的方法，min_threshold参数表示最小置信度阈值。在上述代码中，我们设定了最小支持度为0.02，最小置信度为0.5，根据数据集的实际情况可以进行调整。