微信推文属性的关联分析 by Apriori算法

最新推荐文章于 2024-08-31 21:39:38 发布
最新推荐文章于 2024-08-31 21:39:38 发布
阅读量293 收藏 1
点赞数
分类专栏： 机器学习与数据分析 文章标签： python 机器学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_46629123/article/details/109605165
版权

本文通过Apriori算法来对某公司的微信推文属性的关联分析。

本文的目的

找出可让 [‘阅读量超过1K’] 的因素，以便达到这些因素使微信推文阅读量提升。

本文的结论

若想让微信推文阅读量超过1K，该公司可从[‘公司为信息源’]、[‘文章置顶’] 、[‘公司or厂’] 或综合手段进行。

  • [‘公司为信息源’] —> [‘阅读量超过1K’] ,几率为50%
  • [‘文章置顶’] —> [‘阅读量超过1K’] ,几率为69%
  • [‘公司or厂’] —> [‘阅读量超过1K’] ,几率为64%
  • [‘公司为信息源’, ‘文章置顶’] —> [‘阅读量超过1K’] ,几率为69%
  • [‘公司为信息源’, ‘公司or厂’] —> [‘阅读量超过1K’] ,几率为68%

数据源

从某订阅号下载过去半年的统计数据共计160笔（栏位见下方栏位），并做好受欢迎程度的类型标签，并整理成Excel档案。在这里插入图片描述

分析代码

from numpy import *

# apriori.py
import apriori

# 加载数据

import openpyxl
wb = openpyxl.load_workbook('WeChat20200923_np2.xlsx')
sheet = wb['sheet1']
row = sheet.max_row
column = sheet.max_column
set_for_all_row = []
for i in range(2,row+1):
    set_for_one_row = []
    for j in range(1,column+1):
        values = sheet.cell(row=i, column=j).value
        if values !=0:
            set_for_one_row.append(values)
    if len(set_for_one_row) > 0:
        set_for_all_row.append(set_for_one_row)

# 示范数据打印
print(set_for_all_row[0])
# ['文章置顶', '表彰表扬', '社团活动or员工活动', '公司为信息源', '公司or厂']
            
data_arr = set_for_all_row

# 创建项个数为1 的候选项集
set_0 = apriori.create_set_0(data_arr)

# 扫描项个数为1的候选项集，生成项个数为1 的频繁项集，以及所有候选项集的支持度
set_0_scanned, support_data = apriori.scan_data_set(list(map(set, data_arr)), set_0, 0.3)

print('支持度较高的数据')
print(set_0_scanned)

#Out：
#支持度较高的数据
#[frozenset({'公司or厂'}), frozenset({'公司为信息源'}), frozenset({'文章置顶'}), frozenset({'社团活动or员工活动'}), frozenset({'两周内前后关联'}), frozenset({'新颖吸引'}), frozenset({'阅读量超过1K'})]

print('支持度的数据')
support_data
#Out：
#{frozenset({'公司or厂'}): 0.5174418604651163,
# frozenset({'公司为信息源'}): 0.8372093023255814,
# frozenset({'文章置顶'}): 0.5058139534883721,
# frozenset({'社团活动or员工活动'}): 0.5,
# frozenset({'表彰表扬'}): 0.11627906976744186,
# frozenset({'两周内前后关联'}): 0.3313953488372093,
# frozenset({'内容有视频'}): 0.22093023255813954,
# frozenset({'文章封面吸引'}): 0.12790697674418605,
# frozenset({'新颖吸引'}): 0.3081395348837209,
# frozenset({'阅读量超过1K'}): 0.46511627906976744,
# frozenset({'公司防疫相关or政策相关'}): 0.22674418604651161,
# frozenset({'可点赞、投票、直播'}): 0.06395348837209303}

# 执行程序1--分析支持度：
s, all_support = apriori.apriori(data_arr, 0.3)

print('支持度超过阈值的数据')
s

#Out：
#支持度超过阈值的数据
#[[frozenset({'公司or厂'}),
#  frozenset({'公司为信息源'}),
#  frozenset({'文章置顶'}),
#  frozenset({'社团活动or员工活动'}),
#  frozenset({'两周内前后关联'}),
#  frozenset({'新颖吸引'}),
#  frozenset({'阅读量超过1K'})],
# [frozenset({'公司or厂', '公司为信息源'}),
#  frozenset({'公司or厂', '文章置顶'}),
#  frozenset({'公司为信息源', '文章置顶'}),
#  frozenset({'公司为信息源', '社团活动or员工活动'}),
#  frozenset({'公司为信息源', '新颖吸引'}),
#  frozenset({'公司为信息源', '阅读量超过1K'}),
#  frozenset({'文章置顶', '阅读量超过1K'}),
#  frozenset({'公司or厂', '阅读量超过1K'})],
# [frozenset({'公司or厂', '公司为信息源', '文章置顶'}),
#  frozenset({'公司为信息源', '文章置顶', '阅读量超过1K'}),
#  frozenset({'公司or厂', '公司为信息源', '阅读量超过1K'})],
# []]

print('所有的支持度数据')
all_support
#Out[24]:
#所有的支持度数据
#{frozenset({'公司or厂'}): 0.5174418604651163,
# frozenset({'公司为信息源'}): 0.8372093023255814,
# frozenset({'文章置顶'}): 0.5058139534883721,
# frozenset({'社团活动or员工活动'}): 0.5,
# frozenset({'表彰表扬'}): 0.11627906976744186,
# frozenset({'两周内前后关联'}): 0.3313953488372093,
# frozenset({'内容有视频'}): 0.22093023255813954,
# frozenset({'文章封面吸引'}): 0.12790697674418605,
# frozenset({'新颖吸引'}): 0.3081395348837209,
# frozenset({'阅读量超过1K'}): 0.46511627906976744,
# frozenset({'公司防疫相关or政策相关'}): 0.22674418604651161,
# frozenset({'可点赞、投票、直播'}): 0.06395348837209303,
# frozenset({'公司or厂', '公司为信息源'}): 0.4418604651162791,
# frozenset({'公司or厂', '文章置顶'}): 0.3430232558139535,
# frozenset({'公司or厂', '社团活动or员工活动'}): 0.20348837209302326,
# frozenset({'公司为信息源', '文章置顶'}): 0.47093023255813954,
# frozenset({'公司为信息源', '社团活动or员工活动'}): 0.5,
# frozenset({'文章置顶', '社团活动or员工活动'}): 0.29651162790697677,
# frozenset({'两周内前后关联', '公司为信息源'}): 0.2616279069767442,
# frozenset({'公司为信息源', '新颖吸引'}): 0.3023255813953488,
# frozenset({'公司为信息源', '阅读量超过1K'}): 0.4186046511627907,
# frozenset({'两周内前后关联', '文章置顶'}): 0.1569767441860465,
# frozenset({'文章置顶', '新颖吸引'}): 0.2441860465116279,
# frozenset({'文章置顶', '阅读量超过1K'}): 0.3488372093023256,
# frozenset({'两周内前后关联', '社团活动or员工活动'}): 0.19186046511627908,
# frozenset({'新颖吸引', '社团活动or员工活动'}): 0.18023255813953487,
# frozenset({'社团活动or员工活动', '阅读量超过1K'}): 0.20930232558139536,
# frozenset({'两周内前后关联', '新颖吸引'}): 0.13372093023255813,
# frozenset({'两周内前后关联', '阅读量超过1K'}): 0.1569767441860465,
# frozenset({'新颖吸引', '阅读量超过1K'}): 0.27325581395348836,
# frozenset({'公司or厂', '阅读量超过1K'}): 0.3313953488372093,
# frozenset({'公司or厂', '新颖吸引'}): 0.22093023255813954,
# frozenset({'两周内前后关联', '公司or厂'}): 0.16279069767441862,
# frozenset({'公司or厂', '公司为信息源', '文章置顶'}): 0.31976744186046513,
# frozenset({'公司为信息源', '文章置顶', '新颖吸引'}): 0.2441860465116279,
# frozenset({'公司为信息源', '文章置顶', '阅读量超过1K'}): 0.32558139534883723,
# frozenset({'公司or厂', '公司为信息源', '阅读量超过1K'}): 0.3023255813953488,
# frozenset({'公司or厂', '文章置顶', '阅读量超过1K'}): 0.26744186046511625,
# frozenset({'公司or厂', '公司为信息源', '文章置顶', '阅读量超过1K'}): 0.2558139534883721}

# 执行程序2---挖掘关联关系：
L, supportData = apriori.apriori(data_arr)
bigRuleList = apriori.generate_rules(L, supportData, 0.3)

# 导出原始数据
bigRuleList
#Out:
#[(frozenset({'公司为信息源'}), frozenset({'公司or厂'}), 0.5277777777777778),
# (frozenset({'公司or厂'}), frozenset({'公司为信息源'}), 0.8539325842696629),
# (frozenset({'文章置顶'}), frozenset({'公司or厂'}), 0.6781609195402298),
# (frozenset({'公司or厂'}), frozenset({'文章置顶'}), 0.6629213483146067),
# (frozenset({'公司为信息源'}), frozenset({'文章置顶'}), 0.5625),
# (frozenset({'文章置顶'}), frozenset({'公司为信息源'}), 0.9310344827586207),
# (frozenset({'公司为信息源'}), frozenset({'社团活动or员工活动'}), 0.5972222222222222),
# (frozenset({'社团活动or员工活动'}), frozenset({'公司为信息源'}), 1.0),
# (frozenset({'公司为信息源'}), frozenset({'新颖吸引'}), 0.36111111111111105),
# (frozenset({'新颖吸引'}), frozenset({'公司为信息源'}), 0.9811320754716981),
# (frozenset({'公司为信息源'}), frozenset({'阅读量超过1K'}), 0.5),
# (frozenset({'阅读量超过1K'}), frozenset({'公司为信息源'}), 0.9),
# (frozenset({'文章置顶'}), frozenset({'阅读量超过1K'}), 0.6896551724137931),
# (frozenset({'阅读量超过1K'}), frozenset({'文章置顶'}), 0.75),
# (frozenset({'公司or厂'}), frozenset({'阅读量超过1K'}), 0.6404494382022471),
# (frozenset({'阅读量超过1K'}), frozenset({'公司or厂'}), 0.7124999999999999),
# (frozenset({'公司为信息源', '文章置顶'}), frozenset({'公司or厂'}), 0.6790123456790124),
# (frozenset({'公司or厂', '公司为信息源'}), frozenset({'文章置顶'}), 0.7236842105263158),
# (frozenset({'公司or厂', '文章置顶'}), frozenset({'公司为信息源'}), 0.9322033898305085),
# (frozenset({'公司为信息源'}), frozenset({'公司or厂', '文章置顶'}), 0.3819444444444444),
# (frozenset({'文章置顶'}), frozenset({'公司or厂', '公司为信息源'}), 0.632183908045977),
# (frozenset({'公司or厂'}), frozenset({'公司为信息源', '文章置顶'}), 0.6179775280898876),
# (frozenset({'公司为信息源', '文章置顶'}), frozenset({'阅读量超过1K'}), 0.6913580246913581),
# (frozenset({'公司为信息源', '阅读量超过1K'}), frozenset({'文章置顶'}), 0.7777777777777778),
# (frozenset({'文章置顶', '阅读量超过1K'}), frozenset({'公司为信息源'}), 0.9333333333333333),
# (frozenset({'公司为信息源'}), frozenset({'文章置顶', '阅读量超过1K'}), 0.3888888888888889),
# (frozenset({'文章置顶'}), frozenset({'公司为信息源', '阅读量超过1K'}), 0.6436781609195402),
# (frozenset({'阅读量超过1K'}), frozenset({'公司为信息源', '文章置顶'}), 0.7000000000000001),
# (frozenset({'公司or厂', '公司为信息源'}), frozenset({'阅读量超过1K'}), 0.6842105263157894),
# (frozenset({'公司为信息源', '阅读量超过1K'}), frozenset({'公司or厂'}), 0.7222222222222221),
# (frozenset({'公司or厂', '阅读量超过1K'}), frozenset({'公司为信息源'}), 0.912280701754386),
# (frozenset({'公司为信息源'}), frozenset({'公司or厂', '阅读量超过1K'}), 0.36111111111111105),
# (frozenset({'公司or厂'}), frozenset({'公司为信息源', '阅读量超过1K'}), 0.5842696629213483),
# (frozenset({'阅读量超过1K'}), frozenset({'公司or厂', '公司为信息源'}), 0.65)]

# 导出相关数据1
for i in range(len(bigRuleList)):
    print(list(bigRuleList[i][0]),'--->',list(bigRuleList[i][1]),',几率为{:.0%}'.format(bigRuleList[i][2]))

#Out:
#['公司为信息源'] ---> ['公司or厂'] ,几率为53%
#['公司or厂'] ---> ['公司为信息源'] ,几率为85%
#['文章置顶'] ---> ['公司or厂'] ,几率为68%
#['公司or厂'] ---> ['文章置顶'] ,几率为66%
#['文章置顶'] ---> ['公司为信息源'] ,几率为93%
#['公司为信息源'] ---> ['文章置顶'] ,几率为56%
#['公司为信息源'] ---> ['社团活动or员工活动'] ,几率为60%
#['社团活动or员工活动'] ---> ['公司为信息源'] ,几率为100%
#['新颖吸引'] ---> ['公司为信息源'] ,几率为98%
#['公司为信息源'] ---> ['新颖吸引'] ,几率为36%
#['公司为信息源'] ---> ['阅读量超过1K'] ,几率为50%
#['阅读量超过1K'] ---> ['公司为信息源'] ,几率为90%
#['文章置顶'] ---> ['阅读量超过1K'] ,几率为69%
#['阅读量超过1K'] ---> ['文章置顶'] ,几率为75%
#['公司or厂'] ---> ['阅读量超过1K'] ,几率为64%
#['阅读量超过1K'] ---> ['公司or厂'] ,几率为71%
#['公司为信息源', '文章置顶'] ---> ['公司or厂'] ,几率为68%
#['公司or厂', '公司为信息源'] ---> ['文章置顶'] ,几率为72%
#['公司or厂', '文章置顶'] ---> ['公司为信息源'] ,几率为93%
#['公司为信息源'] ---> ['公司or厂', '文章置顶'] ,几率为38%
#['文章置顶'] ---> ['公司or厂', '公司为信息源'] ,几率为63%
#['公司or厂'] ---> ['公司为信息源', '文章置顶'] ,几率为62%
#['公司为信息源', '文章置顶'] ---> ['阅读量超过1K'] ,几率为69%
#['阅读量超过1K', '文章置顶'] ---> ['公司为信息源'] ,几率为93%
#['阅读量超过1K', '公司为信息源'] ---> ['文章置顶'] ,几率为78%
#['文章置顶'] ---> ['阅读量超过1K', '公司为信息源'] ,几率为64%
#['公司为信息源'] ---> ['阅读量超过1K', '文章置顶'] ,几率为39%
#['阅读量超过1K'] ---> ['公司为信息源', '文章置顶'] ,几率为70%
#['公司为信息源', '公司or厂'] ---> ['阅读量超过1K'] ,几率为68%
#['阅读量超过1K', '公司or厂'] ---> ['公司为信息源'] ,几率为91%
#['阅读量超过1K', '公司为信息源'] ---> ['公司or厂'] ,几率为72%
#['公司or厂'] ---> ['阅读量超过1K', '公司为信息源'] ,几率为58%
#['公司为信息源'] ---> ['阅读量超过1K', '公司or厂'] ,几率为36%
#['阅读量超过1K'] ---> ['公司为信息源', '公司or厂'] ,几率为65%

# 导出相关数据2
for i in range(len(bigRuleList)):
    if list(bigRuleList[i][1]) == ['阅读量超过1K']:
        print(list(bigRuleList[i][0]),'--->',list(bigRuleList[i][1]),',几率为{:.0%}'.format(bigRuleList[i][2]))
#Out:
#['公司为信息源'] ---> ['阅读量超过1K'] ,几率为50%
#['文章置顶'] ---> ['阅读量超过1K'] ,几率为69%
#['公司or厂'] ---> ['阅读量超过1K'] ,几率为64%
#['公司为信息源', '文章置顶'] ---> ['阅读量超过1K'] ,几率为69%
#['公司为信息源', '公司or厂'] ---> ['阅读量超过1K'] ,几率为68%

apriori.py

from numpy import *

# 加载数据集
def load_data_arr():
    return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2, 5]]


# 初始化候选项集，创建元素个数为1的候选项集
def create_set_0(data_arr):
    # 数组
    set_0 = []
    # 对每一条交易记录
    for transaction in data_arr:
        # 对交易记录中的每件物品
        for item in transaction:
            # 如果该物品没有出现在候选项集中，则添加
            if not [item] in set_0:
                set_0.append([item])
    set_0.sort()
    # 返回一个冻结的集合，集合冻结后不能再添加或者删除元素
    return map(frozenset, set_0)


# 扫描交易记录集，计算每个候选项集的支持度，返回满足条件的频繁项集以及所有候选项集的支持度
def scan_data_set(data_set_list, set_k, min_support):
    set_k_list = list(set_k)
    # 候选项集计数
    items_cnt = {}
    for transaction in data_set_list:
        for items in set_k_list:
            if items.issubset(transaction):
                if items not in items_cnt:
                    items_cnt[items] = 1
                else:
                    items_cnt[items] += 1
    num_transaction = len(data_set_list)
    # 数组
    return_set_k = []
    # 字典
    support_data = {}
    for items in items_cnt.keys():
        # 计算每个候选项集的支持度
        support = items_cnt[items]/num_transaction
        # 判断项集的支持度是否满足最小支持度
        if support >= min_support:
            return_set_k.append(items)
        # 保存每个候选项集的支持度
        support_data[items] = support
    return return_set_k, support_data


# 根据项个数为k+1的频繁项集set_k，生成项个数为k+2的候选项集set_k_plus
def apriori_gen(set_k, k):
    return_set_k_plus = []
    num_set_k = len(set_k)
    for i in range(num_set_k):
        for j in range(i+1, num_set_k):
            l1 = list(set_k[i])[:k]
            l2 = list(set_k[j])[:k]
            l1.sort()
            l2.sort()
            if l1 == l2:
                return_set_k_plus.append(set_k[i] | set_k[j])    #set union
    return return_set_k_plus


def apriori(data_arr, min_support=0.3):
    # 创建项个数为1的候选项集
    set_0 = create_set_0(data_arr)
    data_set_list = list(map(set, data_arr))
    # 计算项个数为1的频繁项集
    set_0_scanned, all_support = scan_data_set(data_set_list, set_0, min_support)
    # 将项个数为1的频繁项集放入到总的频繁项集中，下标为0
    s = [set_0_scanned]
    k = 0
    while len(s[k]) > 0:
        # 根据项个数为k+1的频繁项集set_k，生成项个数为k+2的候选项集set_k_plus
        set_k_plus = apriori_gen(s[k], k)
        # 计算项个数为k+2的频繁项集set_k_plus_scanned
        set_k_plus_scanned, k_plus_support = scan_data_set(data_set_list, set_k_plus, min_support)
        # 更新
        all_support.update(k_plus_support)
        s.append(set_k_plus_scanned)
        k += 1
    return s, all_support


# 计算规则的可信度
def calculate_conf(freq_item, H, support_data, big_rules_list, min_conf=0.3):
    pruned_H = []
    for consequence in H:
        # 通过支持度计算可信度
        # 规则的左侧通过作差求得
        conf = support_data[freq_item]/support_data[freq_item - consequence]
        if conf >= min_conf:
            big_rules_list.append((freq_item - consequence, consequence, conf))
            # 需要返回可信的规则的右侧，以便再次进行合并，同时抛弃不可信规则的右侧
            pruned_H.append(consequence)
    return pruned_H


# 从序列中提取规则
# H是规则的右侧
def rules_from_consequence(freq_item, H, support_data, big_rules_list, min_conf=0.3):
    m = len(H[0])
    # 原书代码中此处没有等号，是不对的，读者可以结合前面给出的结束条件，判断此处是否需要添加等号
    if len(freq_item) >= (m+1):
        # 下面的两行代码，原书给出的顺序是错误的，应该先计算可信度，再合并
        # 读者可以根据计算出的频繁项集和支持度手动计算一下，可以发现原执行顺序会漏掉一部分规则
        hmp1 = calculate_conf(freq_item, H, support_data, big_rules_list, min_conf)
        hmp1 = apriori_gen(hmp1, m - 1)
        # 下面这行代码使没有用的，因为合并右侧后，肯定是需要去提取规则并计算规则可信度的。
        # if len(hmp1) > 1:
        rules_from_consequence(freq_item, hmp1, support_data, big_rules_list, min_conf)


# 生成关联规则
def generate_rules(s, support_data, min_conf=0.3):
    big_rules_list = []
    for i in range(1, len(s)):
        for freq_set in s[i]:
            h1 = [frozenset([item]) for item in freq_set]
            if i > 1:
                # 项数大于2，至少为3，可以组合项，提取规则
                rules_from_consequence(freq_set, h1, support_data, big_rules_list, min_conf)
            else:
                calculate_conf(freq_set, h1, support_data, big_rules_list, min_conf)
    return big_rules_list

部分代码源自于https://blog.csdn.net/dzjin1234/article/details/105799974

i see the future
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
数据挖掘之关联分析四（连续属性处理）
Beavers
08-18 3760
处理连续属性挖掘连续属性可能揭示数据的内在联系，包含连续属性的关联规则通常称作量化关联规则（quantitative association rule）。主要讨论三种对连续数据进行关联分析的方法 1. 基于离散化的方法 2. 基于统计学的方法 3. 非离散化方法基于离散化方法离散化是处理连续属性最常用的方法，这种方法将连续属性的邻近值分组，形成有限个区间，例如，年龄属性可以形成如下区间
数据挖掘之关联分析一（基本概念）
Beavers
08-18 5192
许多商业企业运营中的大量数据，通常称为购物篮事务（market basket transaction）。表中每一行对应一个事务，包含一个唯一标识TID。 利用关联分析的方法可以发现联系如关联规则或频繁项集。 关联分析需要处理的关键问题： 1. 从大型事务数据集中发现模式可能在计算上要付出很高的代价。 2. 所发现的某些模式可能是假的，因为它们可能是偶然发生的。二元表示 没按过对应一个事
关联分析（Apriori）详解和python实现
weixin_33862041的博客
03-07 776
关联分析 关联关系是一种非常有用的数据挖掘算法，它可以分析出数据内在的关联关系。其中比较著名的是啤酒和尿不湿的案例 交易号 清单 0 豆奶，莴苣 1 莴苣，尿布，啤酒，甜菜 2 豆奶，尿布，啤酒，橙汁 3 莴苣，豆奶，尿布，啤酒 4 莴苣，豆奶，尿布，橙汁 当超市在分析顾客的购物清单时发现一个比较奇怪的问题，为什么大部顾客在购买啤酒的时候还会买啤酒呢？后来经过超...
数据挖掘（三）关联分析
u012950655的专栏
11-25 2316
3、关联分析 3.1、基本概念  （1）通常认为项在事物中出现比不出现更重要，因此项是非对称二元变量。（2）关联规则是形如X->Y的蕴涵表达式，其中X和Y是不相交的项集，即X交Y=空。（3）由关联规则作出的推论并不必然蕴涵因果关系。它只表示规则前件和后件中的项明显地同时出现。（4）通常，频繁项集的产生所需的计算开销远大于规则产生所需的计算开销。（5）任何具有反单调性的度量都能够结合到数据挖掘算
别找了，送你 20 个文本数据集
热门推荐
机器学习算法与Python学习
05-17 1万+
源 /DataCastle数据城堡中科大自然语言处理与信息检索共享平台http://www.nlpir.org/?action-category-catid-28搜狗实...
Apriori算法对购物篮进行关联分析-Apriori算法进行购物篮关联分析.rar
08-12
Apriori算法对购物篮进行关联分析-Apriori算法进行购物篮关联分析.rar 大家好，出来乍到，看到好多高手分享自己的程序，我也想分享一下，做出自己的贡献。 虽然学MATLAB已经一年有余，但是一直忙着数学建模，对...
数据挖掘|关联分析与Apriori算法详解
皖山文武
04-03 3867
关联规则分析（Association-rules Analysis）是数据挖掘领域的一个重要方法，它是以某种方式分析数据源，从数据样本集中发现一些潜在有用的信息和不同数据样本之间关系的过程。 关联是指在两个或多个变量之间存在某种规律性，但关联并不一定意味着因果关系。 关联规则是寻找在同一事件中出现的不同项目的相关性，关联分析是挖掘关联规则的过程。 比如在一次购买活动中所买不同商品的相关性。
数据挖掘-关联分析与Apriori算法详解
04-03
数据挖掘|关联分析与Apriori算法详解
Apriori算法对购物篮进行关联分析-Apriori算法进行购物篮关联分析.rar.zip
04-22
Apriori算法是一种在数据挖掘领域广泛使用的关联规则学习算法，尤其在市场篮子分析中应用颇多。购物篮分析是通过发现顾客购买商品之间的关联性，帮助商家了解哪些商品经常一起被购买，从而制定更有效的销售策略。...
他们为什么融资上市？因为用好了……
神策数据
12-05 620
近日，神策的客户频传喜讯，快看漫画D轮融资1.77亿美金，驿氪EZR B轮融资2000万美金，投哪网C轮融资8.2亿……群内洋溢着喜庆的气氛！此时...
关联分析算法－基本概念、关联分析步骤
weixin_30256505的博客
05-15 2111
一、关联分析的基本概念 关联分析（Association Analysis）：在大规模数据集中寻找有趣的关系。 频繁项集（Frequent Item Sets）：经常出现在一块的物品的集合。 关联规则（Association Rules）：暗示两个物品之间可能存在很强的关系。 支持度（Support）：数据集中包含该项集的记录所占的比例，是针对项集来说的。 例子：豆奶，橙汁，尿布和...
关联分析——Apriori算法
X_dmword的博客
06-13 2114
一、引入世间万物都是有联系的，这种联系让这个世界变得丰富多彩而又生动有趣。关联分析的目的就是要寻找事物之间的联系规律，发现它们之间的关联关系。关联分析是一种简单、实用的分析技术，就是发现存在于大量数据集中的关联性或相关性，从而描述了一个事物中某些属性同时出现的规律和模式。关联分析主要是采用关联规则技术广泛应用于众多领域，例如：1)  帮助企业经营者发现顾客的购买偏好，准确定位顾客特征，给顾客提供购...
数据挖掘之关联分析
风雪夜归子
10-04 1万+
数据挖掘之关联分析 1、基本概念 （1）通常认为项在事物中出现比不出现更重要，因此项是非对称二元变量。 （2）关联规则是形如X->Y的蕴涵表达式，其中X和Y是不相交的项集，即X交Y=空。 （3）由关联规则作出的推论并不必然蕴涵因果关系。它只表示规则前件和后件中的项明显地同时出现。 （4）通常，频繁项集的产生所需的计算开销远大于规则产生所需的
数据挖掘算法之关联规则挖掘
myy1012010626的专栏
02-22 2496
最近在数据挖掘方面进行学习探讨，从http://www.36dsj.com/archives/2443转载的这篇文章。方便归类学习！ 在数据挖掘的知识模式中，关联规则模式是比较重要的一种。关联规则的概念由Agrawal、Imielinski、Swami 提出，是数据中一种简单但很实用的规则。关联规则模式属于描述型模式，发现关联规则的算法属于无监督学习的方法。 一、关联规则的
python12 中，No module named‘distutils‘错误
qq_43557600的博客
08-27 1万+
python12 “ No module named'distutils' ”,​ 安装 pip install setuptools ，解决 ​
centos7 安装 superset4.0.2 教程
m0_37759590的博客
08-27 1万+
centos7 安装 superset4.0.2 教程
python从入门到精通：数据可视化-图形开发
2401_83283514的博客
08-29 1068
• Json是一种轻量级的数据交互格式，可以按照Json指定的格式去组织和封装数据• Json本质上是一种带有特殊格式的字符串主要功能：json就是一种在各个编程语言中流通的数据格式，负责不同编程语言中的数据传递和交互，类似于：• 国际通用语言-英语• 中国不同名族的通用语言-中文（普通话）• 各种编程语言存储数据的容器不尽相同，在python中有字典dict这样的数据类型，而其它语言可能没有对应的字典。为了让不同的语言都能够相互通用的互相传递数据，Json就是一种非常良好的数据中转格式。
CSS解析:定位和层叠上下文
最新发布
晓风残月淡的博客
08-31 1171
许多开发人员对定位的理解很粗略，如果不完全了解定位，就很容易给自己挖坑。有时候可能会把错误的元素放在其他元素前面，要解决这个问题却没有那么简单。一般的布局方法是用各种操作来控制文档流的行为。定位则不同：它将元素彻底从文档流中移走。它允许你将元素放在屏幕的任意位置。还可以将一个元素放在另一个元素的前面或后面，彼此重叠。
【python】关于判断空值None、判断len()=0，和 if not 的区别
Meggie35的博客
08-28 5865
python的“空”与“无”之辩，关于None，和空数值。在程序中，判断里面没有值和判断东西是不是为空，也是不一样的东西，我们可以往下看看具体的区别。
关联规则与Apriori算法在数据分析中的应用
"本文主要介绍了关联规则及其应用，特别是Apriori算法。关联规则是数据挖掘中的一个重要概念，用于发现数据集中的项集之间的有趣关系。文章以‘尿布与啤酒’的故事为例，展示了关联规则在零售业中的实际应用，以及...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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