Python关联规则挖掘代码

关联规则挖掘是数据挖掘领域中的一种技术，用于发现数据集中项之间的频繁模式和关联性。在Python中，有一个流行的库叫做`mlxtend`，特别是它的`association_rules`模块，提供了方便的接口来执行关联规则学习。以下是一个简单的例子，展示了如何使用`mlxtend`进行Apriori算法的关联规则挖掘：

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

# 假设我们有以下交易数据
transaction_data = [['Milk', 'Bread', 'Butter'], ['Eggs', 'Bread', 'Sausage'], ['Milk', 'Butter', 'Coffee']]

# 将交易数据转换为编码格式
te = TransactionEncoder()
te_ary = te.fit(transaction_data).transform(transaction_data)
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用Apriori算法找出频繁项集和规则
frequent_itemsets = apriori(df, min_support=0.4, use_colnames=True)
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1.2)

# 输出结果（包括支持度、置信度、提升度等）
print(rules)

在这个代码中，`min_support`参数定义了最小的支持度阈值，`min_threshold`定义了最小的提升度阈值。运行后，你会得到频繁项集以及满足条件的关联规则。