首先导入包含apriori算法的mlxtend库，

pip install mlxtend

调用apriori进行关联规则分析，具体代码如下，其中数据集选取本博客 “机器学习算法——关联规则” 中的例子，可进行参考，设置最小支持度(min_support)为0.4，最小置信度(min_threshold)为0.1，

最小提升度(lift)为1.0，对数据集进行关联规则分析，

from mlxtend.preprocessing import TransactionEncoder

from mlxtend.frequent_patterns import apriori

from mlxtend.frequent_patterns import association_rules

import pandas as pd

df_arr = [['苹果','香蕉','鸭梨'],

['橘子','葡萄','苹果','哈密瓜','火龙果'],

['香蕉','哈密瓜','火龙果','葡萄'],

['橘子','橡胶'],

['哈密瓜','鸭梨','葡萄']

]

#转换为算法可接受模型(布尔值)

te = TransactionEncoder()

df_tf = te.fit_transform(df_arr)

df = pd.DataFrame(df_tf,columns=te.columns_)

#设置支持度求频繁项集

frequent_itemsets = apriori(df,min_support=0.4,use_colnames= True)

#求关联规则,设置最小置信度为0.15

rules = association_rules(frequent_itemsets,metric = 'confidence',min_threshold = 0.15)

#设置最小提升度

rules = rules.drop(rules[rules.lift <1.0].index)

#设置标题索引并打印结果

rules.rename(columns = {'antecedents':'from','consequents':'to','support':'sup','confidence':'conf'},inplace = True)

rules = rules[['from','to','sup','conf','lift']]

print(rules)

#rules为Dataframe格式，可根据自身需求存入文件

输出结果如下：

from to sup conf lift

0 (哈密瓜) (火龙果) 0.4 0.666667 1.666667

1 (火龙果) (哈密瓜) 0.4 1.000000 1.666667

2 (哈密瓜) (葡萄) 0.6 1.000000 1.666667

3 (葡萄) (哈密瓜) 0.6 1.000000 1.666667

4 (葡萄) (火龙果) 0.4 0.666667 1.666667

5 (火龙果) (葡萄) 0.4 1.000000 1.666667

6 (哈密瓜, 葡萄) (火龙果) 0.4 0.666667 1.666667

7 (哈密瓜, 火龙果) (葡萄) 0.4 1.000000 1.666667

8 (葡萄, 火龙果) (哈密瓜) 0.4 1.000000 1.666667

9 (哈密瓜) (葡萄, 火龙果) 0.4 0.666667 1.666667

10 (葡萄) (哈密瓜, 火龙果) 0.4 0.666667 1.666667

11 (火龙果) (哈密瓜, 葡萄) 0.4 1.000000 1.666667

Process finished with exit code 0

以上就是python 实现关联规则算法Apriori的示例的详细内容，更多关于python 实现关联规则算法Apriori的资料请关注聚米学院其它相关文章！