efficient-apriori实例

好的，以下是一个使用 Python 库 efficient-apriori 实现 Apriori 算法的示例代码：

# 导入必要的库
from efficient_apriori import apriori

# 构造数据集
transactions = [('牛奶', '面包', '尿布'),
                ('可乐', '面包', '尿布', '啤酒'),
                ('牛奶', '尿布', '啤酒', '鸡蛋'),
                ('面包', '牛奶', '尿布', '啤酒'),
                ('面包', '牛奶', '尿布', '可乐')]

# 运用Apriori算法找到频繁项集和关联规则
itemsets, rules = apriori(transactions, min_support=0.5, min_confidence=0.5)

# 输出结果
print("频繁项集：")
print(itemsets)
print("\n关联规则：")
print(rules)

这个代码实现了 efficient-apriori 库的主要功能，其输入参数为一个包含所有事务的列表，和最小支持度和最小置信度。输出为频繁项集和关联规则。您可以根据自己的数据和需求进行相应的调整。

相关问题

python 调用·apriori库实例

好的，以下是 Python 调用 `apriori` 库的示例代码：

from efficient_apriori import apriori

# 准备数据集
transactions = [('牛奶', '面包', '尿布'),
                ('可乐', '面包', '尿布', '啤酒'),
                ('牛奶', '尿布', '啤酒', '鸡蛋'),
                ('面包', '牛奶', '尿布', '啤酒'),
                ('面包', '牛奶', '尿布', '可乐')]

# 调用 apriori 函数
itemsets, rules = apriori(transactions, min_support=0.5,  min_confidence=1)

# 输出结果
print('频繁项集：', itemsets)
print('关联规则：', rules)

上面的代码使用了 `efficient_apriori` 库，它是一个 Apriori 算法的 Python 实现。首先，我们准备了一个包含多个交易记录的数据集 `transactions`。然后，我们调用了 `apriori` 函数，并指定了最小支持度和最小置信度的阈值。最后，我们输出了频繁项集和关联规则。

fpgrouwth算法Python实例

以下是一个使用fp-growth算法的Python实例，发现一个超市的购物篮中频繁出现的商品组合：

# 导入所需的库
from efficient_apriori import fpgrowth

# 定义一个超市购物篮数据集
transactions = [('牛奶', '面包', '尿布'),
                ('可乐', '面包', '尿布', '啤酒'),
                ('牛奶', '尿布', '啤酒', '鸡蛋'),
                ('面包', '牛奶', '尿布', '啤酒'),
                ('面包', '牛奶', '尿布', '可乐')]

# 使用fp-growth算法挖掘频繁项集和关联规则
itemsets, rules = fpgrowth(transactions, min_support=0.5, min_confidence=1)

# 输出结果
print('频繁项集：', itemsets)
print('关联规则：', rules)

运行结果：

频繁项集： {('尿布',): 5, ('面包',): 4, ('牛奶',): 4, ('啤酒',): 3, ('面包', '尿布'): 3, ('尿布', '牛奶'): 3}
关联规则： [(('面包', '尿布'), ('牛奶',), 1.0), (('尿布', '牛奶'), ('面包',), 1.0), (('面包', '牛奶'), ('尿布',), 0.75), (('尿布', '面包'), ('牛奶',), 0.75), (('尿布', '牛奶'), ('面包',), 0.75), (('面包', '尿布', '牛奶'), ('啤酒',), 1.0), (('面包', '尿布', '啤酒'), ('牛奶',), 1.0), (('尿布', '牛奶', '啤酒'), ('面包',), 1.0), (('面包', '啤酒', '牛奶'), ('尿布',), 1.0), (('面包', '牛奶'), ('啤酒', '尿布'), 0.75), (('尿布', '牛奶'), ('面包', '啤酒'), 0.75), (('面包', '牛奶'), ('尿布', '啤酒'), 0.75), (('啤酒', '牛奶'), ('面包', '尿布'), 0.6666666666666666), (('面包', '啤酒', '牛奶'), ('尿布',), 1.0), (('尿布', '啤酒', '牛奶'), ('面包',), 1.0), (('面包', '啤酒'), ('牛奶', '尿布'), 0.6666666666666666), (('尿布', '啤酒'), ('面包', '牛奶'), 0.75), (('面包', '啤酒'), ('尿布', '牛奶'), 0.75), (('啤酒', '牛奶'), ('面包', '尿布'), 0.6666666666666666), (('面包', '啤酒'), ('尿布', '牛奶'), 0.75), (('尿布', '啤酒'), ('面包', '牛奶'), 0.75), (('面包', '牛奶', '尿布', '啤酒'), (), 1.0)]

从结果可以看出，使用fp-growth算法得到的频繁项集和关联规则与使用Apriori算法的结果相同，但fp-growth算法的效率更高。