用apriori算法写一段可以输入输出关联规则的python代码

以下是使用 Apriori 算法实现关联规则的 Python 代码：

# 导入必要的库
import pandas as pd
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules

# 创建数据集
data = {'Transaction': ['T1', 'T2', 'T3', 'T4', 'T5'],
        'Items': [['A', 'B', 'C', 'D'], ['B', 'C', 'E'], ['A', 'B', 'C', 'E'], ['B', 'D', 'E'], ['A', 'B', 'C', 'E']]}
df = pd.DataFrame(data)

# 将数据集转换为适合 Apriori 算法的格式
def encode_units(x):
    if x:
        return 1
    else:
        return 0

df['Items'] = df['Items'].applymap(encode_units)

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

# 使用关联规则生成器获取关联规则
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.7)

# 输出关联规则
print(rules)

这段代码可以输入一个包含交易和商品的数据集，输出符合置信度阈值的关联规则。