如果同学不喜欢看理论，可以直接看后面王者数据分析的部分。

关联规则

如果不知道尿布和啤酒问题，建议百度百科，先有个大致的了解
我们找百度百科上面的例子来讲一下
1. tid是交易单号，后面每一纵列中1代表购买，0代表没买。
3. 我们只需要明白
  1. 支持度==概率（只有这个支持度足够大，说明我们选出的集合买的人多，对于商家的价值也就越大）
  2. 置信度==条件概率（这是算关联程度的）
关联规则挖掘过程主要包含两个阶段：第一阶段必须先从资料集合中找出所有的高频项目组(Frequent Itemsets)，第二阶段再由这些高频项目组中产生关联规则(Association Rules)，这里我们说说apriori算法。
1. Apriori算法分为两部分
  1. 我们要算出符合支持度>0.4的集合
    1. 一开始我们的集合1列有 $C_{4}^{1}$ 个成员,我们可以看到羽毛球小于支持度0.4，所以跟他有关的我们的直接舍去
    2. 集合2列 $C_{3}^{2}$ 个我们同样得出支持度。
  2. 我们要算出里面符合置信度的。这里只有2项
    1. 网球拍=>网球，置信度3/5
    2. 网球=>网球拍，置信度3/4
  3. 也就数说网球拍=>网球，网球=>网球拍，这两个规则都满足要求
  4. 这里我们提一下：转自
    1. Apriori原理：如果某个项集是频繁的，那么它的所有子集也是频繁的。该定理的逆反定理为：如果某一个项集是非频繁的，那么它的所有超集（包含该集合的集合）也是非频繁的。Apriori原理的出现，可以在得知某些项集是非频繁之后，不需要计算该集合的超集，有效地避免项集数目的指数增长，从而在合理时间内计算出频繁项集。
    2. 在图中，已知阴影项集{2,3}是非频繁的。利用这个知识，我们就知道项集{0,2,3}，{1,2,3}以及{0,1,2,3}也是非频繁的。也就是说，一旦计算出了{2,3}的支持度，知道它是非频繁的后，就可以紧接着排除{0,2,3}、{1,2,3}和{0,1,2,3}。
2. 代码如下
  1. 如果我们计算组合直接调用 apriori(dataSet, min_support=0.5)，修改dateset和min_support就行。
  2. 当然如果我们需要置信度和支持度和提升度，就需要arules(dataSet, min_support=0.5)
    1. 先说下什么叫提升度：
      
      提升度表示含有X的条件下，同时含有Y的概率，与只看Y发生的概率之比。提升度反映了关联规则中的X与Y的相关性，提升度>1且越高表明正相关性越高，提升度<1且越低表明负相关性越高，提升度=1表明没有相关性，即相互独立。
      
      Lift(X→Y) = P(Y|X) / P(Y)
    2. arules函数会返回rules|support|confidence|lift。最后直接通过DataFrame的方法提取符合条件的组合就行。

import itertools
import pandas as pddef createC1(dataSet):  # 'C1' for Candidate-itemset of 1 item.“C1”表示1个项目的候选项集# Flatten the dataSet, leave unique item 展平数据集，保留唯一项C1 = set(itertools.chain(*dataSet))  # Transform to a list of frozenset 转换为冻结集列表return [frozenset([i]) for i in C1]
# 计算集合的支持度
def scanD(dataSet, Ck, min_support): # 'Ck' for Candidate-set of k items. k项候选集的“Ck”support = {}# Calculate the support of all itemsets 计算所有项集的支持for i in dataSet:for j in Ck:if j.issubset(i):support[j] = support.get(j, 0) + 1n = len(dataSet)# Return litemset with supportreturn {k: v/n for k, v in support.items() if v/n >= min_support}def aprioriGen(Lk):  # 'Lk' for Large-itemset of k items. “Lk”表示k个项目的大项目集# Generate candidate k+1 itemset  from litemset  从litemset生成候选k+1项集lenLk = len(Lk)k = len(Lk[0])if lenLk > 1 and k > 0:return set([Lk[i].union(Lk[j])for i in range(lenLk - 1)for j in range(i + 1, lenLk)if len(Lk[i] | Lk[j]) == k +1])  #  Use set() to drop duplicatesdef apriori(dataSet, min_support=0.5): '''Return all large itemsets'''C1 = createC1(dataSet)L1 = scanD(dataSet, C1, min_support)L = [L1, ]       # Large-itemsetsk = 2while len(L[k-2]) > 1:Ck = aprioriGen(list(L[k-2].keys()))Lk = scanD(dataSet, Ck, min_support)if len(Lk) > 0:L.append(Lk)k += 1else:break# Flatten the freqSets    展平频率集d = {}for Lk in L:  d.update(Lk)return ddef rulesGen(iterable):  # Generate nonvoid proper subset of litemset. 生成litemset的非空真子集subSet = []for i in range(1, len(iterable)):subSet.extend(itertools.combinations(iterable, i))return [(frozenset(lhs), frozenset(iterable.difference(lhs)))for lhs in subSet] # Left hand rule and right hand rule 左手定则和右手定则def arules(dataSet, min_support=0.5):'''Return a pandas.DataFrame of 'rules|support|confidence|lift'    '''# Generate a dict of 'large-itemset: support' pairsL = apriori(dataSet, min_support) # Generate candidate rulesrules = []for Lk in L.keys():if len(Lk) > 1:rules.extend(rulesGen(Lk))# Calculate support、confidence、liftscl = []  # 'scl' for 'Support, Confidence and Lift'for rule in rules:lhs = rule[0]; rhs = rule[1]support = L[lhs | rhs]confidence = support / L[lhs]lift = confidence / L[rhs]scl.append({'LHS':lhs, 'RHS':rhs, 'support':support, 'confidence':confidence, 'lift':lift})return pd.DataFrame(scl)          if __name__ == '__main__':transactions = pd.read_csv("./Transactions.csv")baskets = transactions['Model'].groupby(transactions['OrderNumber']).apply(list)# 为了满足arules函数的变量，将其转化为嵌套的列表。dataSet = baskets.tolist()rules = arules(dataSet, min_support=0.02)conf = rules[(rules.confidence > 0.5) & (rules.lift > 1)]# print(conf.sort_values(by = 'support', ascending=True).head())else:print ('apriori imported!')

王者荣耀数据分析实战

如果知道ban/pick的同学，任何一款imba类的游戏都有自己的英雄搭配。随着比赛战队的不同和英雄属性的调整，英雄的搭配也就不同了。如果我们考虑不同战队的ban或者以选代ban，那数据就太少了。因为要排除版本更替带来的影响，我们选取了2018年冬冠EDG.M的战绩分析。
首先我们要先去找数据，如果你会爬虫，可以直接爬。数据地址。也可以用开发者模式（如果你有兴趣）。
经过一些数据清洗，这些我就不介绍了，爬下来的数据一般都很乱，不会写代码还要手动处理。可以看到有很多无用信息。
最后搞成只有英雄就行。

下面就简单了，直接调用我上面给的函数

import pandas as pd
import numpy as np
import sys
sys.path.append(r'../apriori')
# python 原有apriori.py 文件故需要少些最后一个字母
import apriorcsv = pd.read_csv("edg1.csv")content_list = csv['op_pick']with open('op_pick1.csv','a') as f:for content in content_list:f.write(content)f.write('\n')dataset = pd.read_csv('op_pick1.csv')
data = np.array(dataset).reshape(-1, 5)print(aprior.apriori(data,min_support = 0.09))

# 我取最后两个组合，对此王者官网确定，确定（154，花木兰），（199，公孙离），（162，鸟人），（134，达摩）
# 这次的数据较少，只体现了edg在2018冬季冠军杯最喜欢的两队组合是（花木兰，公孙离）和（达摩，娜可露露）。也就是当时初晨（打野）和阿澈（下单）的组合较为稳定。

如果大家有兴趣可以自己试一试。

参考：

Python机器学习算法 — 关联规则（Apriori、FP-growth）：https://www.cnblogs.com/lsqin/p/9342926.html

百度百科：https://baike.baidu.com/item/%E5%85%B3%E8%81%94%E8%A7%84%E5%88%99/6319603?fr=aladdin

Python_数据分析_关联规则和王者荣耀数据分析实战相关推荐

python脚本游戏赚金币兑换钱_一种王者荣耀刷金币方法（python脚本）
所用工具环境 python3.6.5 和支持自动鼠标键盘点击等编程的pyautogui功能包 windows PC,安卓模拟器bluestacks,安装王者荣耀基本思路王者荣耀有闯关任务模式可以 ...
安卓车机root改流浪地球_教你王者荣耀改战区
王者荣耀怎么改荣耀战区呢?今天小编给大家带来的是王者荣耀改荣耀战区方法哦!想知道的小伙伴就和小编一起来看看吧! 1.首先玩家需要下载一个多开器,保证能够多开王者荣耀,多开器安卓的可以直接市场里面找,苹 ...
td里面字体大小怎么改_教你王者荣耀改战区
王者荣耀怎么改荣耀战区呢?今天小编给大家带来的是王者荣耀改荣耀战区方法哦!想知道的小伙伴就和小编一起来看看吧! 1.首先玩家需要下载一个多开器,保证能够多开王者荣耀,多开器安卓的可以直接市场里面找,苹 ...
荣耀v10玩flash游戏_沫子玩王者荣耀被打哭？直言这个游戏比吃鸡还难玩
对于经常玩<绝地求生>的小伙伴,说起吃鸡一姐沫子相信不少人都会有所耳闻,职业选手出身的沫子,操作在很多技术主播中都是相当排前的,再加上有一颗大大咧咧的心脏,直播间内也是不缺乏欢声笑语.然而 ...
qq令牌码怎么提取_和平精英王者荣耀微视集令牌活动玩法介绍王者荣耀英雄令怎么刷...
微视最近推出了和游戏联动的活动,迎春嘉年华,在这个活动中,王者荣耀/和平精英等游戏的玩家可以通过参加活动,收集令牌,兑换奖励,奖励非常丰厚,收集精英令和英雄令可以获得免费永久皮肤等奖励,那么自己一个人 ...
安卓listview点击空白事件_安卓最新王者荣耀空白名
适用平台:Android 获取方式: 关注下方公众号,回复<2015> ①安卓最新王者荣耀空白名v2.0 软件介绍: 王者空白名最新版2.0来了.平时在王者荣耀看到别人的空白昵称是不是很羡 ...
学习excel数据分析_为什么Excel是学习数据分析的最佳方法
学习excel数据分析它是视觉的,它是透明的,并且使事情变得简单. (It's visual, it's transparent, and it keeps things simple.) The ...
七月在线python数据分析_七月在线Python基础+数据分析班+爬虫项目
资源介绍七月在线Python基础+数据分析班+爬虫项目目录 ├─Python基础入门班2017年 ││代码.rar │└─视频 │xa0 xa0 01.第1课入门基础.rar │xa0 xa0 ...
利用python进行数据分析_资料 | 利用Python进行数据分析
下载地址:https://www.yanxishe.com/resourceDetail/1443?from=leiphonecolumn_res0518 以下内容节选自豆瓣: 内容简介 · · · ...

Python_数据分析_关联规则和王者荣耀数据分析实战

关联规则

王者荣耀数据分析实战

Python_数据分析_关联规则和王者荣耀数据分析实战相关推荐

最新文章

热门文章