Apriori算法规则实现

最新推荐文章于 2026-07-03 00:39:18 发布

原创最新推荐文章于 2026-07-03 00:39:18 发布 · 210 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

Python

根据Apriori算法，分析购物记录数据，筛选频繁项集和强关联规则。发现{M，Y}

Apriori算法规则实现

数据仓库里面包含以下5个记录。设支持度>0.5，置信度>0.7。

id	购买的商品
1	K，C，M，Y，E
2	E，O，L，M，D，Y
3	A，M，K，E
4	K，Y，M，D，L
5	C，O，K，L，E

使用Apriori 算法找出频繁项集，通过最终结果形成一个方案建议（即告诉老板，接下来的商品销售策略）。

1-项集支持度计算

1-项集	支持度计数	支持度
K	4	0.8
C	2	0.4
M	4	0.8
Y	3	0.6
E	4	0.8
O	2	0.4
L	3	0.6
D	2	0.4
A	1	0.2

比较候选支持度计数与最小值支持度（2），筛选出1-频繁项集,支持度>0.5。

2-项集	支持度计数	支持度
K	4	0.8
M	4	0.8
Y	3	0.6
E	4	0.8
L	3	0.6

由1-项集产生候选的2-项集

2-项集	支持度计数	支持度	置信度
{K，M}	3	0.6	0.75
{K，Y}	2	0.4	0.5
{K，E}	3	0.6	0.75
{K，L}	2	0.4	0.5
{M，Y}	3	0.6	0.75
{M，E}	3	0.6	0.75
{M，L}	2	0.4	0.5
{Y，E}	2	0.4	0.66
{Y，L}	2	0.4	0.66
{E，L}	2	0.4	0.5

筛选出2-频繁项集，置信度>0.7

2-项集	支持度计数	支持度	置信度	提升度
{K，M}	3	0.6	0.75	0.9375
{K，E}	3	0.6	0.75	0.9375
{M，Y}	3	0.6	0.75	1.25
{M，E}	3	0.6	0.75	0.9375

M与Y有联系，可放在一起销售。

import numpy as np

import pandas as pd

import itertools



data=pd.read_table('C://Users//Administrator//Desktop//新建文本文档.txt',engine='python',header=None,sep=' ')



#数值化

#频繁集计算

#取DataFrame行和列

#取行

#取出矩阵中所有涉及到的元素，去重，

ulist=[]

for i in np.arange(data.shape[0]):

    temp=data.loc[i]

    ulist.extend(temp)

ulist





#定义一个最小的支持度 min(support)=3

#算所有去重之后的商品的支持度

#存放1项集数据

data1=[] #初始化矩阵

for value in ulist:

    #遍历交易记录

    count=0

    for j in np.arange(data.shape[0]):

        #算单个商品的支持度

      

        if(np.sum(data.loc[j]==value)>0):

            count+=1

        #单个商品支持度算完，保存结果

    #print(str(value)+"\t"+str(count))

    if(count>=3):

        data1.append(value)



    #I1=data.loc[0]

data1Unique=list(set(data1))

data2=list(itertools.permutations(data1Unique,2)) #排列组合

#data2=np.array(list(itertools.permutations(data1Unique,2)))



#for j in np.arange(data2.shape[0]):

#先求出1项集的集合及其支持计数，注意此处C1是字典，key为项集，value是计数，与下不同，下的C是列表只有计数

  

#I1.unique()  取出所有元素（一次）

#取列

#data[0]