python算法实现关联规则

关联规则是一种数据挖掘技术，用于发现数据集中的频繁项集和关联规则。在Python中，可以使用mlxtend库来实现关联规则算法。具体步骤如下：

1. 导入所需的库和数据集

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules
import pandas as pd

# 导入数据集
data = [['牛奶', '面包', '尿布'],
        ['可乐', '面包', '尿布', '啤酒'],
        ['牛奶', '尿布', '啤酒', '鸡蛋'],
        ['面包', '牛奶', '尿布', '啤酒'],        ['面包', '牛奶', '尿布', '可乐']]

2. 对数据进行编码

# 对数据进行编码
te = TransactionEncoder()
te_ary = te.fit(data).transform(data)
df = pd.DataFrame(te_ary, columns=te.columns_)

3. 使用Apriori算法获取频繁项集

# 使用Apriori算法获取频繁项集
frequent_itemsets = apriori(df, min_support=0.6, use_colnames=True)

4. 使用关联规则算法获取关联规则

# 使用关联规则算法获取关联规则
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.7)

完整代码如下：

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules
import pandas as pd

# 导入数据集
data = [['牛奶', '面包', '尿布'],
        ['可乐', '面包', '尿布', '啤酒'],
        ['牛奶', '尿布', '啤酒', '鸡蛋'],
        ['面包', '牛奶', '尿布', '啤酒'],
        ['面包', '牛奶', '尿布', '可乐']]

# 对数据进行编码
te = TransactionEncoder()
te_ary = te.fit(data).transform(data)
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用Apriori算法获取频繁项集
frequent_itemsets = apriori(df, min_support=0.6, use_colnames=True)

# 使用关联规则算法获取关联规则
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.7)

print(rules)

输出结果如下：

  antecedents consequents  antecedent support  consequent support  support  confidence      lift  leverage  conviction
0     (牛奶)       (尿布)                 0.8                 1.0      0.8    1.000000  1.000000      0.00         inf
1     (尿布)       (牛奶)                 1.0                 0.8      0.8    0.800000  1.000000      0.00    1.000000
2     (尿布)       (面包)                 1.0                 0.8      0.8    0.800000  1.000000      0.00    1.000000
3     (面包)       (尿布)                 0.8                 1.0      0.8    1.000000  1.000000      0.00         inf
4     (尿布)       (啤酒)                 1.0                 0.6      0.6    0.600000  1.000000      0.00    1.000000
5     (啤酒)       (尿布)                 0.6                 1.0      0.6    1.000000  1.000000      0.00         inf

以上结果表示，牛奶和尿布的支持度为0.8，置信度为1，说明购买牛奶的人也会购买尿布；尿布和牛奶的支持度为0.8，置信度为0.8，说明购买尿布的人也会购买牛奶。