数据挖掘入门系列教程(一)之亲和性分析

教程系列简介

该教程为入门教程，为博主学习数据挖掘的学习路径步骤。教程为入门教程，从最简单的开始。使用的编程语言为Python3.8.1，使用JupyterNotebook作为开发环境(使不使用JupyterNotebook都没有关系)。

在学习本教程之前，你需要：

有一点python编程基础

会用百度 or 谷歌

数学知识还是要一点的(但是要多少呢？我也不知道，我也是刚开始学)

什么是数据挖掘， 相信点击进入这篇博客的人都应该知道了吧。通俗的说就是挖掘数据所蕴含的含义，寻找数据之间的关系。

下面将以最简单的亲和性分析来开始吧。

亲和性分析

相信大家都听说过一个例子：

在美国的零售业有着这样一个传奇故事，沃尔玛百货将他们的纸尿裤和啤酒并排摆在一起销售，结果纸尿裤和啤酒的销量双双增长！

什么是亲和性分析呢？亲和性分析根据样本个体之间的关系，确定它们关系的亲疏。举一个简单的应用：顾客去超市买了一个苹果，那么他会不会很大的可能性去买香蕉呢？

首先，我们得有一个数据集：

这个是一个很简单的商品交易数据集，简单到它只有100条数据，尽管数据比较少，but我们用来学习一下还是可以的。

数据集的含义：

如果看一行的话，每一行如(0，1，0，0，1)可以代表每一条交易包含的商品，0代表没有购买，1代表购买。每一列代表一种商品。

那么我们需要找出他的什么数据含义规则呢？“如果一个顾客购买了商品A，则他很可能购买商品B”。找到这种规则很简单，找出交易数据中同时购买A商品和B商品的记录，然后与总的交易数量相比较即可。

规则有优劣，这里有两种衡量标准，支持度和置信度。(如果商品交易数据)

支持度：支持度指的是数据集中规则应验的次数。(商品交易中同时买A商品和B商品的交易数量【支持度也可以为次数/交易总量】)

置信度：置信度代表的是规则的准确性如何。(以例子来说，就是如果既买A商品又买B商品的数量除以买A商品的数量)

代码实现

使用的库如下：

numpy

collections

数据集在这里：data

首先我们需要加载数据集，数据的文件名为affinity_dataset.txt：

import numpy as np

data_filename = "affinity_dataset.txt"

datas = np.loadtxt(data_filename)

# 列的属性

features = ["面包", "牛奶", "黄油", "苹果", "香蕉蕉"]

数据集我们已经加载完毕，为了得到商品A和商品B的数据，在python中也就是(商品A，商品B)元组，我们需要进行遍历，然后将数据保存下来。

现在让我们来计算置信度。我们使用valid_rules字典来保存商品A和商品B同时存在的记录，使用invalid_rules来保存当商品A存在时，但是商品B不存在的记录。

valid_rules = defaultdict(int)

invalid_rules = defaultdict(int)

我们使用defaultdict来创建字典而不是使用常用的方式是因为：

这样的好处是即使在没有这个key的时候，它也会返回默认的值0。

我们定义一个方法，目的是为了统计A，B之间的关系。

# A 和 B之间的联系，返回购买A商品的数量

def connect(indexA, indexB):

buy_A_num = 0

for sample in datas:

if sample[indexA] == 0:

continue

buy_A_num += 1

if(sample[indexB] == 1):

valid_rules[(indexA, indexB)] += 1

else:

invalid_rules[(indexA, indexB)] += 1

return buy_A_num

方法，我们就可以获得需要的数据，现在我们可以计算置信度了。

def get_confidence():

confidence = defaultdict(float)

for premise, feature in valid_rules.keys():

rule = (premise, feature)

confidence[rule] = valid_rules[rule] / (valid_rules[rule]+invalid_rules[rule])

print("购买{0}后同时{1}的置信度为：{2:0.3f}".format(features[rule[0]],features[rule[1]],confidence[rule]))

return confidence

当然支持度怎么算，这个就太简单了，就是valid_rules里面的value除以数据总量即可，就不展示了。

运行代码，使用for循环将所有的关系都找出来，然后计算置信度：

if __name__ == "__main__":

for i in range(len(features)):

for j in range(len(features)):

if(i == j):

continue

connect(i,j)

confidence = get_confidence()

最后结果如下所示：

同样我们可以对置信度进行排序，字典的items()函数返回包含字典所有元素的列表。itemgetter(1)表示以字典各元素的值(这里为置信度)作为排序依据，reverse=True表示降序排列。

from operator import itemgetter

sort_dict = sorted(confidence.items(),key=itemgetter(1),reverse=True)

for index in range(5):

rule = sort_dict[index][0]

print("购买{0}后同时{1}的置信度为：{2:0.3f}".format(features[rule[0]],features[rule[1]],confidence[rule]))

结果如下图所示：

参考书籍：Python数据挖掘入门与实践