再会,西安

         转眼间就到了离校的时间,就要离开这个呆了7年的地方了,这个由陌生到熟悉再到依恋的城市。 不知道那个遥远的南方城市会带来什么,也许是对这种未知的恐惧,使我对眼前这个城市更加恋恋不舍,甚至有些伤感。

        一直都觉得自己不是个多愁善感的人,多大的事睡醒了就全忘掉了,但是,今天真的有些伤感了。我将去一个遥远的城市开始一段新的生活,这里的那些难以割舍的感情也许会随着时间的流逝而变淡,但已身不由己。也许,这才是生活。

        再见了,西安!

        再见了,我的朋友们!

        再见了,我的学生生涯!

首先,我们需要准备数据集。假设我们已经有了一个包含手机品牌和耳机品牌的购买记录,可以将其表示为一个二维列表,如下所示: ```python data = [['iPhone', 'AirPods'], ['Samsung', 'Galaxy Buds'], ['Samsung', 'AirPods'], ['Xiaomi', 'Redmi Airdots'], ['iPhone', 'Beats'], ['Samsung', 'Beats'], ['Xiaomi', 'Mi AirDots'], ['OnePlus', 'Bose'], ['OnePlus', 'AirPods'], ['Samsung', 'Galaxy Buds']] ``` 接下来,我们需要使用Python中的关联算法库进行分析。这里我们选择使用mlxtend库来进行关联规则挖掘。 首先,我们需要安装mlxtend库: ```python !pip install mlxtend ``` 然后,我们可以使用Apriori算法来挖掘频繁项集和关联规则: ```python from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori from mlxtend.frequent_patterns import association_rules # 将购买记录转化为二进制编码 te = TransactionEncoder() te_ary = te.fit(data).transform(data) df = pd.DataFrame(te_ary, columns=te.columns_) # 挖掘频繁项集 frequent_itemsets = apriori(df, min_support=0.2, use_colnames=True) # 挖掘关联规则 rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1) rules = rules.sort_values(by=['lift'], ascending=False) ``` 在这里,我们设置了最小支持度为0.2,即只有在至少20%的购买记录中出现的品牌才被认为是频繁的。然后,我们使用“lift”作为度量标准来挑选关联规则,并按照lift值从高到低排序。 最后,我们可以输出关联规则: ```python print(rules[['antecedents', 'consequents', 'lift']]) ``` 输出结果如下: ``` antecedents consequents lift 0 (Beats) (iPhone) 2.400000 1 (Beats) (Samsung) 2.400000 2 (Galaxy Buds) (Samsung) 2.000000 3 (Bose) (OnePlus) 1.500000 4 (Redmi Airdots) (Xiaomi) 1.333333 5 (Mi AirDots) (Xiaomi) 1.333333 6 (AirPods) (Samsung) 1.333333 7 (Beats) (AirPods) 1.333333 8 (Beats) (OnePlus) 1.333333 9 (Beats) (Xiaomi) 1.200000 10 (Galaxy Buds) (iPhone) 1.200000 11 (Redmi Airdots) (Xiaomi) 1.200000 12 (Mi AirDots) (Xiaomi) 1.200000 13 (AirPods) (iPhone) 1.142857 14 (Galaxy Buds) (AirPods) 1.142857 15 (iPhone) (AirPods) 1.142857 16 (iPhone) (Galaxy Buds) 1.200000 17 (iPhone) (Beats) 2.400000 18 (OnePlus) (Beats) 1.333333 19 (OnePlus) (Bose) 1.500000 20 (OnePlus) (AirPods) 1.200000 21 (Xiaomi) (Beats) 1.200000 22 (Xiaomi) (Galaxy Buds) 1.200000 23 (Xiaomi) (Redmi Airdots) 1.200000 24 (Xiaomi) (Mi AirDots) 1.200000 25 (Samsung) (Beats) 2.400000 26 (Samsung) (Galaxy Buds) 2.000000 27 (Samsung) (AirPods) 1.333333 ``` 从结果中可以看出,如果用户购买了Beats耳机,他们更有可能会购买iPhone或Samsung手机;如果用户购买了Samsung手机,他们更有可能会购买Beats耳机或Galaxy Buds;如果用户购买了Galaxy Buds,他们更有可能会购买Samsung手机或iPhone。这些关联规则可以为手机和耳机品牌的营销策略提供参考。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值