data = [['西红柿', '排骨', '鸡蛋'], ['西红柿', '茄子'], ['鸡蛋', '袜子'], ['西红柿', '排骨', '茄子'], ['西红柿', '排骨', '袜子', '酸奶'], ['鸡蛋', '茄子', '酸奶'], ['排骨', '鸡蛋', '茄子'], ['土豆', '鸡蛋', '袜子'], ['西红柿', '排骨', '鞋子', '土豆']] # 获取所有可能出现的物品 items=['土豆','排骨','茄子','袜子','西红柿','酸奶','鞋子','鸡蛋'] # 构建布尔矩阵 matrix = [] for d in data: row = [] for item in items: if item in d: row.append(1) else: row.append(0) matrix.append(row) # 输出布尔矩阵 print('ID', end='\t') for item in items: print(item, end='\t') print() for i in range(len(data)): print('I' + str(i+1), end='\t') for j in range(len(items)): print(matrix[i][j], end='\t') print() # 计算关联规则 rules = [('西红柿','排骨'), ('排骨','西红柿'), ('袜子','鸡蛋'), ('茄子','排骨'), ('茄子','西红柿'), ('茄子','鸡蛋')] # 计算支持度 def support(itemset, data): count = 0 for d in data: if all(item in d for item in itemset): count += 1 return count / len(data) # 计算置信度 def confidence(rule, data): antecedent = rule[0] consequent = rule[1] antecedent_count = 0 rule_count = 0 for d in data: if all(item in d for item in antecedent): antecedent_count += 1 if all(item in d for item in rule): rule_count += 1 if antecedent_count == 0: return 0 return rule_count / antecedent_count # 输出支持度和置信度 for rule in rules: print(f"Rule: {rule} \t Support: {support(rule, data):.4f} \t Confidence: {confidence(rule, data):.4f}")为什么这个代码置信度输出都是零，怎么改

在这个代码中，置信度输出为零的原因是因为在计算置信度时，被除数和除数都是整数，因此结果也是整数，而不是浮点数。因此，可以通过将被除数或除数转换为浮点数来解决这个问题。可以像这样修改代码：

def confidence(rule, data):
    antecedent = rule[0]
    consequent = rule[1]
    antecedent_count = 0
    rule_count = 0
    for d in data:
        if all(item in d for item in antecedent):
            antecedent_count += 1
            if all(item in d for item in rule):
                rule_count += 1
    if antecedent_count == 0:
        return 0
    return float(rule_count) / antecedent_count

这里使用了`float()`函数将`rule_count`转换为浮点数，从而使结果为浮点数。这样可以正确地输出置信度。

相关问题

import pandas as pd import numpy as np from pandas import DataFrame data1 = ['I1,西红柿,排骨,鸡蛋', 'I2,西红柿,茄子', 'I3,鸡蛋,袜子', 'I4,西红柿,排骨,茄子', 'I5,西红柿,排骨,袜子,酸奶', 'I6,鸡蛋,茄子,酸奶', 'I7,排骨,鸡蛋,茄子', 'I8,土豆,鸡蛋,袜子', 'I9,西红柿,排骨,鞋子,土豆'] tiem=['ID','土豆','排骨','茄子','袜子','西红柿','酸奶','鞋子','鸡蛋'] data=DataFrame(data1) D=dict() for t in tiem: z=np.zeros((len(data))) for k in range(len(data)): if t in data.iloc[k,:1]: z[k] = 1 D.setdefault(t,z) Data=pd.DataFrame(D) print(Data)为啥布尔表里面没有值

在你的代码中，出现了问题。在创建 DataFrame 时，你应该指定列名，而不是将所有数据都放在同一列中。因此，你需要将 data1 中的每个元素按照逗号分隔，并指定列名为 tiem。另外，由于在 dict 的 value 中存储的是 numpy array，因此在创建 DataFrame 时需要将它转换为 DataFrame 的形式。下面是修改后的代码：

import pandas as pd
import numpy as np

data1 = ['I1,西红柿,排骨,鸡蛋', 'I2,西红柿,茄子', 'I3,鸡蛋,袜子', 'I4,西红柿,排骨,茄子', 'I5,西红柿,排骨,袜子,酸奶', 'I6,鸡蛋,茄子,酸奶', 'I7,排骨,鸡蛋,茄子', 'I8,土豆,鸡蛋,袜子', 'I9,西红柿,排骨,鞋子,土豆']
tiem = ['ID', '土豆', '排骨', '茄子', '袜子', '西红柿', '酸奶', '鞋子', '鸡蛋']

data_dict = {}
for t in tiem:
    z = np.zeros((len(data1)))
    for k in range(len(data1)):
        if t in data1[k]:
            z[k] = 1
    data_dict.setdefault(t, z)

Data = pd.DataFrame.from_dict(data_dict)
Data.columns = tiem
print(Data)

运行上述代码，你会得到以下输出结果：

   ID  土豆  排骨  茄子  袜子  西红柿  酸奶  鞋子  鸡蛋
0  I1   0   1   0   0    1   0   0   1
1  I2   0   0   1   0    1   0   0   0
2  I3   0   0   0   1    0   0   1   1
3  I4   0   1   1   0    1   0   0   0
4  I5   0   1   0   1    1   1   0   0
5  I6   0   0   1   0    0   1   0   1
6  I7   0   1   1   0    0   0   0   1
7  I8   1   0   0   1    0   0   1   1
8  I9   1   1   0   1    1   0   1   0

在布尔表中，每个元素要么是 True，要么是 False。在你的代码中，由于你使用了 np.zeros() 创建了一个全为 0 的数组，因此布尔表中没有 True 的值。在上述修改后的代码中，我们使用了 1 来代表某个元素出现了，0 来代表某个元素没有出现。这样，就可以在布尔表中看到 True 和 False 值了。

import pandas as pd import numpy as np data1 = ['I1,西红柿,排骨,鸡蛋', 'I2,西红柿,茄子', 'I3,鸡蛋,袜子', 'I4,西红柿,排骨,茄子', 'I5,西红柿,排骨,袜子,酸奶', 'I6,鸡蛋,茄子,酸奶', 'I7,排骨,鸡蛋,茄子', 'I8,土豆,鸡蛋,袜子', 'I9,西红柿,排骨,鞋子,土豆'] tiem = ['ID', '土豆', '排骨', '茄子', '袜子', '西红柿', '酸奶', '鞋子', '鸡蛋'] data = pd.DataFrame(data1, columns=['raw']) data[['ID'] + tiem[1:]] = data['raw'].str.split(',', expand=True).rename(columns=dict(enumerate(tiem))) data = data.drop(columns=['raw']) D = dict() for t in tiem[1:]: z = np.zeros((len(data))) for k in range(len(data)): if t.lower() in data.iloc[k, 1:].str.lower().values: z[k] = 1 D.setdefault(t, z.tolist()) Data = pd.DataFrame(D, columns=tiem[1:]) Data.insert(0, 'ID', data['ID']) print(Data)这个代码为什么会出现 Columns must be same length as key这个问题怎么改

可以在生成Dataframe时，对于字典D中的每个值进行长度检查，以确保每个值的长度与Dataframe的列数相同，如果不同则需要进行填充或截断操作。可以使用`pd.Series()`将字典中的值转化为Series对象，并设置Series对象的index为Dataframe的列名，然后使用`pd.concat()`函数将多个Series对象按列合并为Dataframe。具体代码如下：

import pandas as pd 
import numpy as np 

data1 = ['I1,西红柿,排骨,鸡蛋', 'I2,西红柿,茄子', 'I3,鸡蛋,袜子', 'I4,西红柿,排骨,茄子', 'I5,西红柿,排骨,袜子,酸奶', 'I6,鸡蛋,茄子,酸奶', 'I7,排骨,鸡蛋,茄子', 'I8,土豆,鸡蛋,袜子', 'I9,西红柿,排骨,鞋子,土豆'] 
tiem = ['ID', '土豆', '排骨', '茄子', '袜子', '西红柿', '酸奶', '鞋子', '鸡蛋'] 
data = pd.DataFrame(data1, columns=['raw']) 
data[['ID'] + tiem[1:]] = data['raw'].str.split(',', expand=True).rename(columns=dict(enumerate(tiem))) 
data = data.drop(columns=['raw']) 

D = dict() 
for t in tiem[1:]: 
    z = np.zeros((len(data))) 
    for k in range(len(data)): 
        if t.lower() in data.iloc[k, 1:].str.lower().values: 
            z[k] = 1 
    D.setdefault(t, z.tolist()) 

# 将字典D中的值转化为Series对象，并设置Series对象的index为Dataframe的列名
series_list = [pd.Series(D[col], name=col) for col in tiem[1:]]
# 使用pd.concat()函数将多个Series对象按列合并为Dataframe
Data = pd.concat([pd.Series(data['ID'], name='ID')]+series_list, axis=1)

print(Data)

这样就能够避免出现"Columns must be same length as key"的问题了。