Apriori算法示例代码

Apriori算法是一种用于关联规则学习（Market Basket Analysis）的经典算法，主要用于发现数据集中项之间的频繁模式。以下是使用Python和mlxtend库实现的一个简单Apriori算法示例代码：

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

# 假设这是你的交易数据，每一行代表一个交易，用逗号分隔的商品ID
transactions = [['Milk', 'Bread', 'Butter'],
                ['Bread', 'Butter', 'Eggs'],
                ['Milk', 'Butter', 'Eggs'],
                ['Milk', 'Bread'],
                ['Bread']]

# 将字符串转换为整数并编码交易
te = TransactionEncoder()
te_ary = te.fit(transactions).transform(transactions)

# 转换为DataFrame以便处理
df = pd.DataFrame(te_ary, columns=te.columns_)

# 设置最小支持度（出现次数/总交易次数）和最小置信度
min_support = 0.6  # 例如60%
min_confidence = 0.75  # 例如75%

# 使用Apriori算法寻找频繁项集
frequent_itemsets = apriori(df, min_support=min_support, use_colnames=True)

# 提取关联规则
rules = association_rules(frequent_itemsets,
                          metric="confidence",  # 使用置信度作为评估标准
                          min_threshold=min_confidence)

# 打印结果
print("Frequent itemsets:")
print(frequent_itemsets)
print("\nAssociation rules:")
print(rules)

在这个例子中，我们首先编码交易数据，然后应用Apriori算法找出频繁项集，接着计算关联规则并根据置信度筛选出有意义的规则。