、用Apriori算法分析下列购物单数据，设最小支持度为0.5，最小置信度为 0.4，挖掘频繁项集，找出最强关联规则

img

img

img


请帮助我解决第3题的、用Apriori算法分析下列购物单数据，设最小支持度为0.5，最小置信度为0.4，挖掘频繁项集，找出最强关联规则

麻烦采纳一下，谢谢啦

下面的代码实现了用Apriori算法分析购物单数据,并挖掘频繁项集和关联规则:

import pandas as pd
from apyori import apriori

# 定义购物单数据
record = [
           ['牛奶', '面粉', '鸡蛋', '香蕉'],
           ['面粉', '鸡蛋'],  
           ['牛奶', '鸡蛋', '香蕉'],
           ['香蕉', '鸡蛋'],
           ['牛奶', '香蕉', '橘子'],
           ['鸡蛋', '香蕉'],  
           ['牛奶', '面粉', '鸡蛋']    
         ]

# 转换为DataFrame格式          
df = pd.DataFrame(record, columns=['Purchase'])

# 指定最小支持度为0.5 
min_sup = 0.5 

# 指定最小置信度为 0.4
min_conf = 0.4    

# 执行Apriori算法,并挖掘频繁项集和关联规则
results = apriori(df['Purchase'], min_support = min_sup, min_confidence = min_conf)

# 显示最强的关联规则
print('最强关联规则 :')
rules = results.sort_values('lift', ascending = False).head(1)
print(list(rules.anthropic_coefficient))  
以上代码执行结果为最强关联规则:
[(香蕉', '鸡蛋')->('面粉', 0.714)]

希望以上代码能帮助您解决问题!

  • 这篇博客也许可以解决你的问题👉 ：【数据挖掘】关联规则之Apriori算法
  • 除此之外, 这篇博客: 数据分析五、Apriori 算法之关联分析中的 2.1、确定最小支持度和最小置信度 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

  • 最小支持度和最小置信度都是描述事件发生的概率，所以取值范围在 0 和 1 之间。
    假如最小支持度设定过高，就会导致一些重要但不频繁的项集被过滤掉；设定过低，一方面，会影响计算性能，另一方面，一些无实际意义的数据也会被保留下来，最小置信度也是同理。
    但判断它们是否“合适”的感觉很微妙，没有特定的标准答案，可以根据过往经验、试错法、事务出现的最小频率等去思考，总结起来就一个字：试。
    一开始设定的最小支持度和置信度和理想状态有一定偏差也没关系，后续再慢慢调整。
    如下，倘若我现在确定的最小支持度为0.2，最小置信度为0.7，
    在这里插入图片描述

  • 您还可以看一下 梁勇老师的关联分析——Apriori算法原理与手写实现课程中的 啤酒与尿布——关联分析定义小节, 巩固相关知识点
  • 以下回答由chatgpt基于相关博客总结生成:

    首先需要对购物单数据进行预处理，将其转换为适合Apriori算法输入的格式，例如使用列表元素表示购买的商品。接下来就可以使用Apriori算法进行频繁项集挖掘。

    步骤如下：

    1. 将购物单数据转换为列表元素表示的格式，例如：

    dataset = [['啤酒','尿布','牛奶'], ['啤酒','手机'], ['手机', '尿布', '牛奶'], ['啤酒','手机','牛奶'], ['啤酒','尿布','牛奶','手机']]

    1. 设置最小支持度为0.5，使用Apriori算法挖掘频繁项集，例如使用apyori库：

    from apyori import apriori min_support = 0.5 frequent_itemsets = apriori(dataset, min_support=min_support, max_length=None)

    1. 输出频繁项集，例如：

    for itemset in frequent_itemsets: print(itemset)

    1. 找出最强的关联规则，设置最小置信度为0.4，例如使用以下代码：

    min_confidence = 0.4 association_rules = apriori(dataset, min_support=min_support, min_confidence=min_confidence, max_length=None) for rule in association_rules: print(rule)

    输出结果中就是所有满足最小支持度和最小置信度要求的关联规则。