python关联规则分析案例
时间: 2024-10-09 14:13:42 浏览: 47
Python中的关联规则分析通常用于市场篮子分析,比如在零售行业,通过研究顾客购买的商品组合,找出哪些商品经常一起被购买,即所谓的“频繁项集”和“关联规则”。Apriori算法是常用的关联规则挖掘算法,在Python库如`mlxtend`、`frequent_patterns`或`pyfim`中有现成的支持。
一个简单的例子可以是分析超市销售数据:
```python
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules
# 假设我们有如下的购物记录列表
transactions = [['Milk', 'Bread', 'Butter'],
['Eggs', 'Milk', 'Bread'],
['Apples', 'Oranges', 'Juice'],
['Bread', 'Butter', 'Ham'],
['Milk', 'Bread']]
# 将交易数据转换为编码形式
te = TransactionEncoder()
X = te.fit(transactions).transform(transactions)
X = pd.DataFrame.sparse.from_spmatrix(X)
# 使用Apriori算法找到频繁项集和关联规则
frequent_itemsets = apriori(X, min_support=0.6, use_colnames=True)
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1.2)
# 输出结果,例如支持度大于0.6并且提升度大于1.2的规则
print(rules)
```
在这个例子中,`min_support`设置了最小的支持度阈值(例如60%),`min_threshold`设置了关联规则的置信度阈值(例如120%)。运行以上代码后,会看到哪些商品组合满足频繁性条件,并且规则强度较高。
阅读全文