基于关联分析法的美国专利技术网络挖掘（python代码 图文 超详细）

数据清洗

挑选5000多条美国专利数据进行关联分析，首先设置支持度为0.01，找寻5000多条数据中被引用次数在50条以上的专利，认为其为核心专利技术

首先用excel对参考专利数据进行简单的数据清洗，并使用nltk库进行分词

import pandas as pd
from nltk import word_tokenize
data=pd.read_csv("Desktop\\python_work\\435_2.csv")
txt=data['UREF:PNO']#工作簿
print("开始")
print("分词---------------------")
words1=[]
for i in txt: 
    words = word_tokenize(str(i))
    words1.insert(0,words)
cutwords7=pd.DataFrame({
   'PNO':data['PATN:PNO'],'Time':data['PATN:ISD'],'words':words1})
cutwords7

Apriori

from numpy import *
# 构造数据
def loadSetData(Data):
    return Data
# 将所有元素转换为frozenset型字典，存放到列表中
def createC1(dataSet):
    C1 = []
    for t in dataSet:
        for item in t:
            if not [item] in C1:
                C1.append([item])
    C1.sort()
# 使用frozenset是为了后面可以将这些值作为字典的键
    return list(map(frozenset, C1))  # frozenset一种不可变的集合，set可变集合
# 过滤掉不符合最小支持度0.08的集合
# 返回 频繁项集列表retList 所有元素的支持度字典
def scanD(D, Ck