Apriori 算法进行关联规则挖掘代码

以下是一个简单的 Apriori 算法实现，用于关联规则挖掘：

import itertools

def apriori(transactions, support_threshold, confidence_threshold):
    # 计算每个项的支持度
    items = {}
    for transaction in transactions:
        for item in transaction:
            if item in items:
                items[item] += 1
            else:
                items[item] = 1
    
    # 去除不满足支持度阈值的项
    items = {item: count for item, count in items.items() if count >= support_threshold}
    
    # 构建频繁项集
    frequent_itemsets = [{item} for item in items]
    k = 2
    while True:
        candidate_itemsets = set(itertools.chain(*[set(itertools.combinations(itemset, k)) for itemset in frequent_itemsets]))
        if not candidate_itemsets:
            break
        
        # 计算候选项集的支持度
        item_counts = {itemset: 0 for itemset in candidate_itemsets}
        for transaction in transactions:
            for itemset in candidate_itemsets:
                if set(itemset).issubset(transaction):
                    item_counts[itemset] += 1
        
        # 去除不满足支持度阈值的候选项集
        candidate_itemsets = {itemset for itemset, count in item_counts.items() if count >= support_threshold}
        
        # 构建频繁项集
        frequent_itemsets = list(candidate_itemsets)
        k += 1
    
    # 构建关联规则
    rules = []
    for itemset in frequent_itemsets:
        for item in itemset:
            antecedent = itemset - {item}
            consequent = {item}
            confidence = items[itemset] / items[antecedent]
            if confidence >= confidence_threshold:
                rules.append((antecedent, consequent, confidence))
    
    return rules

这个实现接受三个参数：transactions（事务列表），support_threshold（支持度阈值）和confidence_threshold（置信度阈值）。输入的事务列表应该是一个列表，其中每个元素表示一个事务，是一个由项组成的集合。支持度和置信度阈值应该是介于0和1之间的浮点数。函数将返回一个规则列表，其中每个规则由前提、后件和置信度组成。