拓端tecdat|Python在线零售数据关联规则挖掘Apriori算法数据可视化

原文链接：http://tecdat.cn/?p=23955

原文出处：拓端数据部落公众号

关联规则学习 在机器学习中用于发现变量之间的有趣关系。Apriori算法是一种流行的关联规则挖掘和频繁项集提取算法，在关联规则学习中有应用。它旨在对包含交易的数据库进行操作，例如商店客户的购买（购物篮分析）。除了购物篮分析之外，该算法还可以应用于其他问题。例如，在网络用户导航领域，我们可以搜索诸如访问过网页A和网页B的客户也访问过网页C的规则。

Python sklearn 库没有 Apriori 算法，其中 Python 库 MLxtend 用于市场篮子分析。在这篇文章中，我将分享如何使用Python 获取关联规则和绘制图表，为数据挖掘中的关联规则创建数据可视化 。首先我们需要得到关联规则。

从数组数据中获取关联规则

要获取关联规则，您可以运行以下代码

1.  
    
2.  
    
3.  
    
4.  
   import pandas as pd
5.  
    
6.  
    
7.  
    
8.  
    
9.  
   oary = ott(daset).trafrm(dtset)
10.  
     
11.  
    df = pd(oh_ry, column=oht.cns)
12.  
    print (df)          
13.  
     

1.  
    
2.  
    
3.  
   frequent = apror(df, mn_upprt=0.6, useclaes=True)
4.  
    
5.  
   print (frequent )
6.  
    

 

数据挖掘中的置信度和支持度

为了选择有趣的规则，我们可以使用最知名的约束，即置信度和支持度的最小阈值 。
支持度是指项目集在数据集中出现的频率。
置信度表示规则被发现为真的频率。

1.  
   suprt=rules(['suport'])
2.  
    
3.  
   cofidece=rules(['confience'])

关联规则——散点图

建立散点图的python代码。由于这里有几个点有相同的值，我添加了小的随机值来显示所有的点。

1.  
    
2.  
    
3.  
   for i in range (len(supprt)):
4.  
    
5.  
      suport[i] = suport[i] + 0.00 * (ranom.radint(,10)- 5)
6.  
      confidence[i] = confidence[i] + 0.0025 * (rao.rant(1,10) - 5)
7.  
    
8.  
    
9.  
   plt.show()

以下是支持度和置信度的散点图：

如何为数据挖掘中的关联规则创建数据可视化

为了将关联规则表示为图。这是关联规则示例：（豆，洋葱）==>（鸡蛋）

下面的有向图是为此规则构建的，如下所示。具有 R0 的节点标识一个规则，并且它总是具有传入和传出边。传入边将代表规则前项，箭头在节点旁边。 

下面是一个从实例数据集中提取的所有规则的图形例子。

这是构建关联规则的源代码。

1.  
   import networkx as nx 
2.  
    
3.  
     G1 = nx.iGaph()
4.  
    
5.  
    
6.  
    
7.  
     colr_ap=[]
8.  
    
9.  
     N = 50
10.  
     
11.  
      colors = np.randm.rndN)   
12.  
     
13.  
     
14.  
     
15.  
     
16.  
     
17.  
      for i in range (rue_o_w):     
18.  
     
19.  
        G1.a_od_from(["R"+st(i)])
20.  
     
21.  
     
22.  
     
23.  
     
24.  
     
25.  
        for a in rsloc[i]['anedts']:
26.  
     
27.  
     
28.  
     
29.  
            G1.dnoesrom([a])
30.  
     
31.  
     
32.  
     
33.  
            G1.adedg(a, "R"+str(i))
34.  
     
35.  
     
36.  
     
37.  
        for c in ruleioc[i]['']:
38.  
     
39.  
     
40.  
     
41.  
                G1.addnodsom()
42.  
     
43.  
     
44.  
     
45.  
                G1.adddge"R"str(i), c, colo=[i], weht=2)
46.  
     
47.  
     
48.  
     
49.  
      for noe in G1:
50.  
     
51.  
           fod_astring = alse
52.  
     
53.  
           for iem in sts:
54.  
     
55.  
               if nde==itm:
56.  
     
57.  
                    found_a_ring = True
58.  
     
59.  
           if fond_sting:
60.  
     
61.  
                cor_mp.apend('ellw')
62.  
     
63.  
           else:
64.  
                cor_mapapped('green')      
65.  
     
66.  
     
67.  
     
68.  
     
69.  
      plt.show()

在线零售数据集的数据可视化

为了对可视化进行真实感受和测试，我们可以采用可用的在线零售商店数据集并应用关联规则图的代码。

以下是支持度和置信度的散点图结果。这次使用seaborn库来构建散点图。下面是零售数据集关联规则（前 10 条规则）的可视化。

---

最受欢迎的见解

1.探析大数据期刊文章研究热点

2.618网购数据盘点-剁手族在关注什么

3.r语言文本挖掘tf-idf主题建模，情感分析n-gram建模研究

4.python主题建模可视化lda和t-sne交互式可视化

5.r语言文本挖掘nasa数据网络分析，tf-idf和主题建模

6.python主题lda建模和t-sne可视化

7.Python中的Apriori关联算法市场购物篮分析

8.通过Python中的Apriori算法进行关联规则挖掘

9.python爬虫进行web抓取lda主题语义数据分析