关联规则挖掘算法python代码

关联规则挖掘算法是一种数据挖掘技术，主要用于发现数据集中项之间的有趣关联，如频繁购买的商品组合。Python有许多库可以支持这个过程，比如Apriori、Frequent Itemset Miner等，最常用的是`mlxtend`和`pyfim`。

下面是使用`mlxtend`库（它基于`apyori`）的一个简单示例，演示如何执行Apriori算法找到频繁项集：

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

# 假设我们有如下交易数据
transactions = [['Milk', 'Bread', 'Eggs'], ['Bread', 'Butter'], ['Milk', 'Cheese']]

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

# 创建DataFrame并设置索引
df = pd.DataFrame(te_ary, columns=te.columns_)
df.index += 1

# 找到频繁项集（支持度默认为0.6）
frequent_itemsets = apriori(df, min_support=0.6, use_colnames=True)

# 计算关联规则，并选择置信度大于0.7的规则
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.7)

print("关联规则:")
print(rules)