用R语言。读入文件 “汽车投诉.csv”，文件的列名依次为投诉编号、投诉品牌、投诉车系、投诉车型、问题简述、问题简述链接、典型问题。 （1）统计不同品牌汽车的投诉数量，并按投诉数量从大到小排序，以条形图显示排序结果（4分） （2）把“问题简述”当作购物篮，把词汇当作item，进行关联规则挖掘，写出完整的建模过程（包括规则的查看和可视化展示，注意要去除停用词）

读取数据：

complaints <- read.csv("汽车投诉.csv", stringsAsFactors = FALSE, encoding = "UTF-8")

统计不同品牌汽车的投诉数量，并按投诉数量从大到小排序：

library(dplyr)
library(ggplot2)

complaints %>%
  group_by(投诉品牌) %>%
  tally() %>%
  arrange(desc(n)) %>%
  ggplot(aes(x = reorder(投诉品牌, n), y = n)) +
  geom_bar(stat = "identity") +
  coord_flip() +
  xlab("投诉品牌") +
  ylab("投诉数量") +
  ggtitle("不同品牌汽车的投诉数量") +
  theme(plot.title = element_text(size = 20, face = "bold", hjust = 0.5),
        axis.title.x = element_text(size = 15),
        axis.title.y = element_text(size = 15),
        axis.text.x = element_text(size = 12),
        axis.text.y = element_text(size = 12))

关联规则挖掘：

library(arules)
library(jiebaR)

# 分词
complaints$问题简述 <- jiebaR::worker(complaints$问题简述, bylines = FALSE, stopwords = FALSE)

# 转换为交易数据
transactions <- as(complaints$问题简述, "transactions")

# 挖掘频繁项集和关联规则
rules <- apriori(transactions, parameter = list(support = 0.002, confidence = 0.5))

# 查看频繁项集
inspect(head(sort(rules, by = "support"), 10))

# 查看关联规则
inspect(head(sort(rules, by = "lift"), 10))

# 可视化展示
library(arulesViz)

plot(rules, method = "graph", control = list(type = "items"))