Python实训西饼屋订单关联分析 代码实现

在Python实训中，"西饼屋订单关联分析"通常指的是通过数据挖掘和关联规则学习（如Apriori算法或FP-Growth）来发现顾客购买西饼时可能存在的频繁项集和关联规则。这个过程可以帮助西饼屋了解哪些产品经常一起被购买，从而进行商品推荐、促销策略制定等。

以下是一个简单的Python代码实现示例，使用Apriori算法作为关联规则学习的一部分：

# 导入必要的库
from apyori import Apriori
import pandas as pd

# 假设你有一个包含订单信息的数据框，如：
data = {
    'CustomerID': ['C1', 'C2', 'C3', 'C1', 'C4', 'C2', 'C5'],
    'ProductID': ['P1', 'P2', 'P3', 'P1', 'P4', 'P2', 'P5']
}

df = pd.DataFrame(data)

# 将数据转换为Apriori算法所需的交易数据格式
transactions = df.groupby('CustomerID')['ProductID'].apply(list).tolist()

# 初始化Apriori类并设置参数
min_support = 0.5  # 最小支持度，例如50%的订单中产品同时出现
min_confidence = 0.6  # 最小置信度，例如60%的关联规则可信
algorithm = Apriori(transactions, min_support, use_colnames=True)

# 训练模型并获取关联规则
rules = algorithm.generate()

# 打印关联规则
for rule in rules:
    print(f"Rule: {rule.antecedent} -> {rule.consequent}, Support: {rule.support:.2f}, Confidence: {rule.confidence:.2f}")