Python关联分析之——Apriori算法

使用Apriori算法进行关联分析

---

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。即如果｛0，1｝是频繁的，则｛0｝，｛1｝也是频繁的。

这个原理直观上并没有什么帮助，但如果反过来看，就有用了。

如果某个项集是非频繁的，那么它的所有超集也是非频繁的。即如果｛0｝也是非频繁的，则包含｛0｝的所有超集如｛0，1｝也是非频繁的。

重要定义

# 测试项集：
    [['豆奶','莴苣'],
     ['莴苣','尿布','葡萄酒','甜菜'],
     ['豆奶','尿布','葡萄酒','橙汁'],
     ['莴苣','豆奶','尿布','葡萄酒'],
     ['莴苣','豆奶','尿布','橙汁']]

• 支持度（support）

一个项集的支持度，被定为为数据集中包含该项集的记录所占的比例，例如上面的测试数据，｛豆奶｝的支持度为4/5，而在5条记录中，有3条包含｛豆奶，尿布｝，因此｛豆奶，尿布｝的支持度为3/5。支持度是针对项集来说的，因此可以定义一个最小支持度，而只保留满足最小支持度的项集。

• 可信度或置信度（confidence）

置信度是针对一条诸如｛尿布｝→｛葡萄酒｝的关联规则来定义的。这条规则的可信度被定义为“支持度(｛尿布，葡萄酒｝)/支持度({尿布})”。上例中，由于｛尿布，葡萄酒｝的支持度为3/5，｛尿布｝的支持度为4/5，所以“尿布→葡萄酒”的可信度为3/4=0.75。

python实现

• 安装对应库

  打开命令行窗口，输入

  pip install apyori

  若失败，可使用其他方法。

  测试安装：

  from apyori import apriori

  导入成功，则安装成功，否则失败。

• API

from apyori import apriori

data = [['豆奶','莴苣'],
        ['莴苣','尿布','葡萄酒','甜菜'],
        ['豆奶','尿布','葡萄酒','橙汁'],
        ['莴苣','豆奶','尿布','葡萄酒'],
        ['莴苣','豆奶','尿布','橙汁']]

result = list(apriori(transactions=data)

# apriori其他参数说明:
min_support -- The minimum support of relations (float).最小支持度，可用来筛选项集
min_confidence -- The minimum confidence of relations (float).最小可信度，可用来筛选项集
min_lift -- The minimum lift of relations (float).未知
max_length -- The maximum length of the relation (integer).未知

上面得到的result是一个列表，由于没找到相关的文档，下面是我所能理解的元素的属性介绍。

• result里每一个项集的属性介绍

  1. items – 项集，frozenset对象，可迭代取出子集。
  2. support – 支持度，float类型。
  3. confidence – 置信度或可信度， float类型。
  4. ordered_statistics – 存在的关联规则
     可迭代，迭代后，其元素的属性：
     
     1. items_base – 关联规则中的分母项集
     2. confidence – 上面的分母规则所对应的关联规则的可信度

结尾

好了，简单的笔记就写到这。虽然暂时没找到这个库对应的文档，但可以通过pycharm预览每个项集的属性。虽然不能直接得出关联规则排序，但不需要自己写算法来计算支持度，比自己写计算过程好多了。

注意

Apriori算法不适用于非重复项集数元素较多的案例，如果某商店的销售商品种类是N，则其所有子集的个数为2^N - 1，其运算量之大，可想而知，建议分析的商品种类<10种。