Apriori算法原理及基于超市商品售卖关联分析的实战

        Apriori算法是一种用于数据挖掘和关联规则挖掘的经典算法，用于发现数据集中的频繁项集以及它们之间的关联规则。该算法是由Agrawal和Srikant于1994年提出的，它基于一种称为“逐层搜索”的思想，逐步构建候选项集并剪枝以减少计算量。

Apriori算法的基本原理：

1. 频繁项集： 频繁项集是在数据集中经常一起出现的项（项可以是单个元素、单词等）。在一个频繁项集中，任何子集也必须是频繁的。频繁项集的支持度是指在数据集中出现该项集的次数。

2. 最小支持度： 用户需要指定一个最小支持度阈值，该阈值决定了哪些项集可以被认为是频繁的。项集的支持度必须大于或等于最小支持度才能被认为是频繁项集。

   ---

   基本步骤：

3. 生成候选项集： 首先，算法会扫描数据集并统计每个项的出现次数，然后根据最小支持度筛选出单个项作为频繁1项集。接下来，算法通过组合已知频繁 (k-1) 项集来生成候选 k 项集。这些候选项集将在下一步中进行验证。

4. 验证候选项集： 算法会再次扫描数据集，计算每个候选项集的支持度（出现次数），并将其与最小支持度进行比较。只有支持度大于等于最小支持度的候选项集被认为是频繁的，这些项集将被用于生成更大的候选项集。

5. 重复步骤1和步骤2： 使用频繁k项集来生成候选(k+1)项集，并验证它们的支持度。该过程会迭代，直到不再有新的频繁项集产生。

6. 生成关联规则： 一