apriori算法分析购物篮分析

import pandas as pd
from apyori import apriori
import matplotlib.pyplot as plt# 读取【StationeryOrder.csv】文件的数据
data = pd.read_csv('文具市场购物篮案例练习/工作/StationeryOrder.csv', encoding='gbk')# 查看数据的前 10 行信息
data.head(10)# 查看数据基本信息
data.info()
# 查看数据中的重复行
data[data.duplicated()]
# 查看数据的描述性统计信息
data.describe()# 定义函数，将数据类型转换成列表
def conversion_data(s):return [s]# 将“文具”列数据由“字符串”转变为“包含单个字符串的列表”
data['stationery'] = data['stationery'].agg(conversion_data)
# 将同一“id”的“包含单个字符串的列表”数据聚合为“包含多个字符串的列表”数据，并重置索引
new_data = data.groupby('id').sum().reset_index()# 设置最小支持度、最小置信度以及最小提升度分别为：0.02、0.45、1
results = apriori(new_data['stationery'], min_support=0.02,min_confidence=0.45, min_lift=1)
# 创建列表
extract_result = []for result in results:# 获取支持度,并保留3位小数support = round(result.support, 3)# 遍历ordered_statistics对象for rule in result.ordered_statistics:# 获取前件和后件并转成列表head_set = list(rule.items_base)tail_set = list(rule.items_add)# 跳过前件为空的数据if head_set == []:continue# 提取置信度，并保留3位小数confidence = round(rule.confidence, 3)# 提取提升度，并保留3位小数lift = round(rule.lift, 3)# 将提取的数据保存到提取列表中extract_result.append([head_set, tail_set, support, confidence, lift])# 将数据转化为 DataFrame 的格式
result_df = pd.DataFrame(extract_result, columns=['前件', '后件', '支持度', '置信度', '提升度'])# 将“前件”、“后件”列转成字符串，方便后续提取数据
result_df['前件'] = result_df['前件'].astype('str')
result_df['后件'] = result_df['后件'].astype('str')
# 提取后件中“中性笔”的数据
gel_pens = result_df[result_df['后件'] == "['中性笔']"]
# 按照“支持度”对提取的数据进行排序
gel_pens = gel_pens.sort_values('支持度')# 获取重置后的索引
df_index = gel_pens.reset_index().index
# 设置 柱子的宽度
width = 0.2
# 设置 x 的坐标值
x = df_index
x1 = x-width/2
x2 = x+width/2
# 设置 y 的坐标值
y1 = gel_pens['支持度']
y2 = gel_pens['置信度']# 设置字体
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
# 设置画布尺寸
plt.figure(figsize=(18, 10))# 绘制多组柱状图
plt.bar(x1, y1, width=width)
plt.bar(x2, y2, width=width)# 设置图表标题名及字体大小
plt.title('“中性笔”对应前件的支持度、置信度数值比较', fontsize=20)# 设置 x 坐标轴的刻度
plt.xticks(x, gel_pens['前件'])# 设置坐标轴的标题名及字体大小
plt.xlabel('前件', fontsize=15)
plt.ylabel('数值', fontsize=15)# 设置 y 轴的数值显示范围
plt.ylim(0, 0.6)# 设置图例
plt.legend(['支持度', '置信度'], fontsize=15)# 设置数据标签
for a, b in zip(x1, y1):plt.text(a, b, str(round(b*100, 1))+'%',ha='center', va='bottom', fontsize=12)
for a, b in zip(x2, y2):plt.text(a, b, str(round(b*100, 1))+'%',ha='center', va='bottom', fontsize=12)

apriori算法分析购物篮分析相关推荐

购物篮分析（Apriori算法）：Mlxtend实现
目录 1.基础概念 2.购物篮分析:指标用法 3.规则生成基本流程 3.1.找出频繁项集 3.2.找出上步中频繁项集的规则 4.Python实现:mlxtend 参考 1.基础概念项集: 购物篮也称 ...
使用Apriori关联规则算法实现购物篮分析
Apriori算法是一种挖掘关联规则的频繁项集算法,其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集,而且算法已经被广泛的应用到商业,网络安全等各个领域. 购物篮分析是通过发视频顾 ...
购物篮分析（ Apriori算法）—零售数据实战
购物篮分析( Apriori算法)-零售数据实战 [开题]在我从事零售行业的期间,曾拜读过"啤酒与尿布"一书,对于沃尔玛的购物篮分析模型产生极大的兴趣.由于网上对Aprioro算法 ...
数据挖掘算法之-关联规则挖掘(Association Rule)（购物篮分析）
在各种数据挖掘算法中,关联规则挖掘算是比较重要的一种,尤其是受购物篮分析的影响,关联规则被应用到很多实际业务中,本文对关联规则挖掘做一个小的总结. 首先,和聚类算法一样,关联规则挖掘属于无监督学习方法 ...
python 关联分析算法的包_Python 极简关联分析（购物篮分析）
关联分析,也称购物篮分析,本文目的: 基于订单表,用最少的python代码完成数据整合及关联分析文中所用数据下载地址: 使用Python Anaconda集成数据分析环境,下载mlxtend机器学习 ...
《推荐系统笔记（十三）》购物篮分析 —— 基于关联规则的topN推荐
购物篮分析最初出现于大型零售商,他们通过分析大量的发票数据,分析出购买特定商品的消费者更可能还购买哪种商品. Transactions数据集每一个这样的数据,其实就是一个消费者一次购买的商品清单,我 ...
数据挖掘实战—商品零售购物篮分析
文章目录引言一.数据探索性分析 1.数据质量分析 1.1 缺失值分析 1.2 异常值分析 1.3 重复数据分析 2.数据特征分析 2.1 描述性统计分析 2.2 分布分析 2.2.1 商品热销情况 ...
关联算法①——《啤酒与尿布》购物篮分析
关联算法系列目录: 关联算法②--Apriori算法原理及python实现关联算法③--Apriori算法实现主播关联度分析关联算法是通过支出度,置信度,提高度三个指标,寻找有相关性的商品或其它物 ...
关联规则之购物篮分析
购物篮分析常用于许多实体商店和在线零售的推荐系统,通过关联规则,可以将经常一起购买的商品进行组合,实现销量的提升. 关联规则中有三个非常重要的指标:支持度.可信度和提升度. 支持度,指所有项集中,同时 ...

apriori算法分析购物篮分析

apriori算法分析购物篮分析相关推荐

最新文章

热门文章

apriori算法分析 购物篮分析

apriori算法分析 购物篮分析相关推荐

最新文章

热门文章

apriori算法分析购物篮分析

apriori算法分析购物篮分析相关推荐