关联规则挖掘穿衣搭配推荐python代码

关联规则挖掘是一种数据挖掘技术，通常用于市场篮子分析等领域，通过发现项目之间的频繁模式来推断消费者的购买习惯。对于穿衣搭配推荐，我们可以将它转化为一种商品间的关联规则，比如"如果用户购买了T恤，那么他可能还会购买牛仔裤"。

在Python中，可以使用Apriori算法库如mlxtend或pandas结合 association_rules() 函数来进行关联规则挖掘。这里是一个简单的例子：

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

# 假设这是用户的购物记录，每个列表代表一次购物行为
transactions = [['T恤', '牛仔裤'], ['运动鞋', '短袖', '运动裤'], ['T恤', '运动帽']]

# 将字符串转换为编码数组
te = TransactionEncoder()
te_ary = te.fit(transactions).transform(transactions)

# 使用Apriori算法找到支持度大于某个阈值的项集
frequent_itemsets = apriori(te_ary, min_support=0.4, use_colnames=True)

# 根据频繁项集生成关联规则
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1)

# 打印出推荐规则
for rule in rules.head():
    print(f"{rule['left']['itemset']} -> {rule['right']['itemset']} ({rule['confidence']:.2f}, lift={rule['lift']:.2f})")