Apriori 算法对载入的鸢尾花数据进行关联规则挖掘代码

好的，以下是使用 Apriori 算法对鸢尾花数据进行关联规则挖掘的 Python 代码示例：

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

# 载入鸢尾花数据
iris = pd.read_csv('iris.csv')

# 将数据按照 species 列进行分组
grouped = iris.groupby('species')['sepal_length', 'sepal_width', 'petal_length', 'petal_width'].apply(list)

# 将数据转换成适合 Apriori 算法的格式
te = TransactionEncoder()
te_ary = te.fit(grouped).transform(grouped)
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用 Apriori 算法计算频繁项集
frequent_itemsets = apriori(df, min_support=0.5, use_colnames=True)

# 根据频繁项集计算关联规则
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1)

# 输出结果
print(rules[['antecedents', 'consequents', 'support', 'confidence', 'lift']])

运行以上代码后，会输出每个关联规则的前件、后件、支持度、置信度和提升度等信息。