Apriori算法对products数据集的关联规则挖掘代码

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示例代码：

import pandas as pd
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules

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

# 数据处理，转换成适合Apriori算法处理的形式
transactions = []
for i in range(0, len(data)):
    transactions.append([str(data.values[i,j]) for j in range(0, len(data.columns))])

# 频繁项集挖掘
frequent_itemsets = apriori(transactions, min_support=0.05, use_colnames=True)

# 关联规则生成
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.2)

# 规则评价，按照置信度降序排列
rules = rules.sort_values(['confidence'], ascending=False)
print(rules.head())

其中，数据集文件`products.csv`需要自行准备，并按照CSV格式存储。在代码中，使用`pandas`库读取数据集，然后将其转换成列表形式，每个列表代表一个订单中的商品组合。接着，使用`mlxtend`库中的`apriori`函数对数据集进行频繁项集挖掘，并设定最小支持度为0.05。然后，使用`association_rules`函数根据频繁项集生成关联规则，并设定最小置信度为0.2。最后，按照置信度降序排列生成的规则，并输出前几条规则。