Apriori算法对products数据集前一百个商品挖掘频繁集输出强关联代码

好的，以下是使用Python实现Apriori算法对products数据集前100个商品进行频繁集挖掘和关联规则生成的示例代码：

# 导入Apriori算法库
from efficient_apriori import apriori

# 读入数据集
with open('products.csv', 'r') as f:
    data = [line.strip().split(',') for line in f.readlines()]

# 根据购买次数对商品进行排序，选取前100个商品作为初始候选集
sorted_data = sorted(data[1:], key=lambda x: int(x[1]), reverse=True)
top_100_items = [d[0] for d in sorted_data[:100]]

# 设置最小支持度阈值和最小置信度阈值
min_support = 0.05
min_confidence = 0.5

# 使用Apriori算法计算频繁集和关联规则
itemsets, rules = apriori(data, min_support=min_support, min_confidence=min_confidence)

# 筛选出包含前100个商品的频繁集和关联规则
top_100_itemsets = {}
for itemset in itemsets:
    if set(itemset).issubset(set(top_100_items)):
        top_100_itemsets[itemset] = itemsets[itemset]

top_100_rules = []
for rule in rules:
    if set(rule.lhs).issubset(set(top_100_items)) and set(rule.rhs).issubset(set(top_100_items)):
        top_100_rules.append(rule)

# 输出频繁集和强关联规则
print('频繁集：')
for itemset in top_100_itemsets:
    print('{}: {:.2%}'.format(','.join(itemset), top_100_itemsets[itemset]))

print('\n强关联规则：')
for rule in top_100_rules:
    print('{} => {}: {:.2%}, {:.2%}'.format(','.join(rule.lhs), ','.join(rule.rhs), rule.support, rule.confidence))

需要注意的是，上述代码中的数据集文件名为`products.csv`，其中第一列为商品名称，第二列为购买次数。同时，Apriori算法库`efficient_apriori`可以使用pip进行安装。