啤酒和尿布的关联规则实战代码

啤酒和尿布的故事是经典的关联规则学习案例，它起源于超市销售数据的研究，展示了商品之间的有趣联系。这种现象通常被称为"意外的巧合"，即人们在购买啤酒的同时可能会买尿布，可能是男性顾客在晚上购物，同时需要这两种商品。

在Apriori算法（一种常用的关联规则挖掘算法）的实际应用中，假设我们有一个简单的Python示例，使用`mlxtend`库来处理这个数据集：

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules

# 假设这是销售数据，每行代表一次购买行为，逗号分隔的商品列表
data = [['bread', 'milk'], ['beer', 'noodles'], ['beer', '尿布', 'cola'], ['bread', 'milk', '尿布']]

# 将交易数据转换成编码形式
te = TransactionEncoder()
te_ary = te.fit(data).transform(data)

# 使用Apriori算法发现频繁项集
frequent_itemsets = apriori(te_ary, min_support=0.6, use_colnames=True)

# 从频繁项集中提取关联规则
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1)

print(rules)

在这个例子中，`min_support`参数设置了支持度阈值（比如60%），`min_threshold`用于设置置信度阈值（比如1）。运行这段代码会显示出哪些商品组合满足这两个条件，并且它们之间有较高的关联度。