数据分析之利用Apriori关联算法看看客户最喜欢买什么

一、背景和目标

源于沃尔玛的啤酒和尿布的经典营销案例，把这两个看似并无太大关系的商品联系到一起了。这里就用到了关联算法。我们今天就用关联算法对某餐饮连锁企业的商品进行关联分析，观察用户的消费习惯。

环境：python3.5+pycharm

算法：Apriori

二、数据采集和处理

原始数据是长这样的,不过这样的数据并不利于进行关联分析:

不过阿里云分析型数据库ADB提供了强大的group_concat函数，如果是SQLServer可以使用String_agg函数实现(分成多行可以用 from xxx cross apply string_split(字段名,',')实现)，类似于分组效果，可以把聚合之后的查询结果放在一起。

用法:select 日期，订单,group_concat(产品) from 表 group by 日期，订单

具体结果如下：

三、过程

a和b的支持度support（a->b）=P(a&b)=support_count(a&b)/total_count(a)，最小支持度设置为0.2

a和b的置信度confidence(a->b)=P(b|a)=support_count(a&b)/support_count(a)，最小置信度设置为0.5

概念：如果项集I的支持度大于最小支持度阈值，则I为频繁项集，频繁项集的非空子集也是频繁项集。

a.计算频繁项集过程：

1.连接 

以上面9个订单为例,123002这个产品在4个订单出现，所以p(123002)=4/9，以此类推得到C1，

产品	概率	是否大于最小支持度
123002	4/9	是
131013	5/9	是
110202	2/9	否
…..	…..	…..

2.剪枝和再连接

把小于最小支持度（设置为0.2）的排除了，就得到了频繁项集L1，然后L1和L1自相连，得到C2

产品	概率	是否大于最小支持度
123,002,131,013	4/9	是
123,002,110,202	1/9	否
…..	…..	…..

 

排除之后得到二项集L2，三项集L3知道找到最大频繁项集Ln.......

b.计算置信度过程

p(123002|131013)=p(123002&131013)/p(131013)=(4/9)/(5/9)=0.8

c.结论：

131013->123002     最小支持度为4/9  ,置信度为0.8 

同时点这两个产品的概率为4/9,点了131013之后再点123002的概率是0.8，而且同时满足最小支持度和最小置信度，所以这两个产品之间有很强的关联关系

四、代码

这里贴上张良均老师的Apriori代码，便于理解。。

#-*- coding: utf-8 -*-
from __future__ import print_function
import pandas as pd

#自定义连接函数，用于实现L_{k-1}到C_k的连接
def connect_string(x, ms):
  x = list(map(lambda i:sorted(i.split(ms)), x))
  l = len(x[0])
  r = []
  for i in range(len(x)):
    for j in range(i,len(x)):
      if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]:
        r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]]))
  return r

#寻找关联规则的函数
def find_rule(d, support, confidence, ms = u'--'):
  result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果
  
  support_series = 1.0*d.sum()/len(d) #支持度序列
  column = list(support_series[support_series > support].index) #初步根据支持度筛选
  k = 0
  
  while len(column) > 1:
    k = k+1
    print(u'\n正在进行第%s次搜索...' %k)
    column = connect_string(column, ms)
    print(u'数目：%s...' %len(column))
    sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数
    
    #创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
    d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).T
    
    support_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #计算连接后的支持度
    column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选
    support_series = support_series.append(support_series_2)
    column2 = []
    
    for i in column: #遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？
      i = i.split(ms)
      for j in range(len(i)):
        column2.append(i[:j]+i[j+1:]+i[j:j+1])
    
    cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定义置信度序列
 
    for i in column2: #计算置信度序列
      cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])]
    
    for i in cofidence_series[cofidence_series > confidence].index: #置信度筛选
      result[i] = 0.0
      result[i]['confidence'] = cofidence_series[i]
      result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
  
  result = result.T.sort(['confidence','support'], ascending = False) #结果整理，输出
  print(u'\n结果为：')
  print(result)
  
  return result