关联规则python语句 python关联规则算法

转载

mob6454cc7416d1 2023-06-20 15:51:53

文章标签 关联规则python语句 python实现关联算法关联规则数据集 ci 文章分类 Python 后端开发

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 importTransactionEncoderfrom mlxtend.frequent_patterns importapriorifrom mlxtend.frequent_patterns importassociation_rulesimportpandas 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：

fromto 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