python中关联规则算法apriori的调库使用

Python中有很多关联规则算法的调库，其中包括了Apriori算法。使用Apriori算法需要用到Python中的mlxtend库，它是一个基于Python的机器学习库，提供了许多用于数据预处理、模型选择和评估等功能的工具。

以下是使用mlxtend库实现Apriori算法的代码示例：

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

# 读入数据
data = [['bread', 'milk', 'vegetable', 'fruit', 'eggs'],
        ['noodle', 'beef', 'vegetable', 'fruit', 'eggs'],
        ['bread', 'noodle', 'vegetable', 'beef'],
        ['noodle', 'milk', 'fruit', 'beef', 'eggs'],
        ['bread', 'milk', 'fruit', 'beef', 'eggs']]

# 将数据转换成 TransactionEncoder 可以接受的格式
te = TransactionEncoder()
te_ary = te.fit(data).transform(data)

# 将数据转换成 pandas.DataFrame 格式
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用 Apriori 算法生成频繁项集
frequent_itemsets = apriori(df, min_support=0.6, use_colnames=True)

# 输出频繁项集
print(frequent_itemsets)

在上述代码中，我们使用了一个包含5个样本的数据集作为示例数据，通过调用Apriori算法生成频繁项集。其中，`min_support`参数指定了支持度的最小值，`use_colnames`参数指定了输出结果使用列名而非原始项集。运行上述代码，可以得到以下输出：

   support                itemsets
0      0.6                  (beef)
1      0.8                 (bread)
2      0.6                   (eggs)
3      0.8                   (fruit)
4      0.6                   (milk)
5      0.6                 (noodle)
6      0.6              (vegetable)
7      0.6          (bread, vegetable)
8      0.6           (fruit, vegetable)
9      0.6               (milk, eggs)
10     0.6             (noodle, beef)
11     0.6          (fruit, milk, eggs)

在输出结果中，每一行代表一个频繁项集，其中`support`列表示该频繁项集在数据集中出现的支持度，`itemsets`列表示该频繁项集的项集。