关联规则算法(Apriori算法、FP-Growth算法)小案例（python mlxtend)-Toy模板网

这篇具有很好参考价值的文章主要介绍了关联规则算法(Apriori算法、FP-Growth算法)小案例（python mlxtend)。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、Apriori

二、FP-Growth

一、Apriori

算法理论部分参考：

(28条消息) Apriori算法与FP-Tree算法_messi_james的博客-CSDN博客

import pandas as pd
# 构造数据集
item_list = [('牛奶','面包','尿不湿','啤酒','榴莲'),
        ('可乐','面包','尿不湿','啤酒','牛仔裤'),
        ('牛奶','尿不湿','啤酒','鸡蛋','咖啡'),
        ('面包','牛奶','尿不湿','啤酒','睡衣'),
        ('面包','牛奶','尿不湿','可乐','鸡翅')]
item_df = pd.DataFrame(item_list)
item_df

关联规则apriori算法案例,数据分析/机器学习项目,数据分析,数据挖掘

# 数据格式处理，传入模型的数据需要满足bool值得格式
from mlxtend.preprocessing import TransactionEncoder
te = TransactionEncoder()
df_tf = te.fit_transform(item_list)
df = pd.DataFrame(df_tf,columns=te.columns_)
df

关联规则apriori算法案例,数据分析/机器学习项目,数据分析,数据挖掘

# 计算频繁项集
from mlxtend.frequent_patterns import apriori
# use_colnames=True表示使用元素名字，默认得False使用列明代表元素，设置最小支持度min_support
frequent_itemsets = apriori(df, min_support=0.05, use_colnames=True)
frequent_itemsets.sort_values(by='support',ascending=False, inplace=True)

# 计算关联规则
from mlxtend.frequent_patterns import association_rules
# metric可以有很多的度量选项，返回的表列名都可以作为参数
association_rule = association_rules(frequent_itemsets,metric='confidence',min_threshold=0.9)
# 关联规则以提升度排序
association_rule.sort_values(by = 'lift',ascending=False,inplace=True)

# 找出单项且项集支持度较高的关联规则
association_rule[(association_rule.antecedents.apply(lambda x: len(x)) == 1)
                 &(association_rule.consequents.apply(lambda x: len(x)) == 1)
                 &(association_rule['antecedent support'] >=0.8)
                 &(association_rule['consequent support'] >=0.8)
                ]

关联规则apriori算法案例,数据分析/机器学习项目,数据分析,数据挖掘

二、FP-Growth

import pandas as pd
# 构造数据集
item_list = [['Milk', 'Broccoli', 'Sauce', 'Beef', 'Eggs', 'Yogurt'],
             ['Wine', 'Broccoli', 'Sauce', 'Beef', 'Eggs', 'Yogurt'],
             ['Milk', 'Apple', 'Beef', 'Eggs'],
             ['Milk', 'Fish', 'Corn', 'Beef', 'Yogurt'],
             ['Corn', 'Broccoli', 'Broccoli', 'Beef', 'Banana', 'Eggs']]
item_df = pd.DataFrame(item_list)
# 数据格式处理，传入模型的数据需要满足bool值的格式
from mlxtend.preprocessing import TransactionEncoder
te = TransactionEncoder()
df_tf = te.fit_transform(item_list)
df = pd.DataFrame(df_tf,columns=te.columns_)
df

关联规则apriori算法案例,数据分析/机器学习项目,数据分析,数据挖掘

# fp growth
from mlxtend.frequent_patterns import fpgrowth
# 计算频繁项集
frequent_itemsets_fp=fpgrowth(df, min_support=0.02, use_colnames=True)
# 计算管理那规则
rules_fp = association_rules(frequent_itemsets_fp, metric="confidence", min_threshold=0.9)
# 关联规则以提升度排序
rules_fp.sort_values(by = 'lift',ascending=False,inplace=True)

# 找出单项且项集支持度较高的关联规则
rules_fp[(rules_fp.antecedents.apply(lambda x: len(x)) == 1)
                 &(rules_fp.consequents.apply(lambda x: len(x)) == 1)
                 &(rules_fp['antecedent support'] >=0.8)
                 &(rules_fp['consequent support'] >=0.5)
                ]

关联规则apriori算法案例,数据分析/机器学习项目,数据分析,数据挖掘