apriori算法python实现_数据挖掘入门系列教程（五）之Apriori算法Python实现

数据挖掘入门系列教程（五）之Apriori算法Python实现

在上一篇

推荐下载这个数据集，1MB大小够了，因为你会发现数据集大了你根本跑不动，Apriori的算法的复杂度实在是 。

那么，这个我们使用数据集的作用是什么呢？简单点来说，就是某一个用户如喜欢看

电影，那么他很可能也喜欢看

电影。我们就是需要分析这个关系。

万物始于加载数据集

加载数据集

因为下载的数据集是一个zip压缩包，首先，我们需要将数据解压出来：

import zipfile

zFile = zipfile.ZipFile("ml-latest-small.zip", "r")

#ZipFile.namelist(): 获取ZIP文档内所有文件的名称列表

for fileM in zFile.namelist():

zFile.extract(fileM)

解压出来的数据如下图：

主要介绍两个文件ratings.csv 每个用户对于电影的评分，包括movieId，userId，rating，time

tags.csv 是电影的标签

我们目前只是使用rating.csv。然后我们将csv文件加载到内存中。

import pandas as pd

all_ratings = pd.read_csv("ml-latest-small/ratings.csv")

# 格式化时间，但是没什么必要

all_ratings["timestamp"] = pd.to_datetime(all_ratings['timestamp'],unit='s')

让我们看一看数据长什么样？

电影中的数据就是 这副B样userId ：评分人的ID

movieId：电影的ID

rating：评分分数

tiemstamp：评分时间

让我们来左手画个图，看一下rating数据的分布：

from eplot import eplot

df = all_ratings["rating"].value_counts()

df.eplot.bar(title='柱形图')

柱状图如下图：

加载完数据集后。我们需要进行判断出用户是否喜欢某个电影，因此我们可以使用评分来判断。当用户对某一个电影的评分大于等于4分的时候，我们就可以认为该用户喜欢这部电影。

# 评分大于等于4分表示喜欢这个电影

all_ratings["like"] = all_ratings["rating"]>=4

处理后的数据集如下，新的数据集添加了一个like列：

like为True代表喜欢，False为不喜欢。

获得训练集

在这里我们选择userId小于200的数据。

train_num = 200

# 训练数据

train_ratings = all_ratings[all_ratings['userId'].isin(range(train_num))]

数据格式如下：

为什么只选择userId小于200的数据呢？而不大一点呢？emm，你电脑够好就行，自己看情况选择。在阿里云学生机上，推荐200吧，大了的话，服务直接GG了。

然后我们再从这个数据集中获得like=True的数据集。

like_ratings = train_ratings[train_ratings["like"] == True]

然后我们再从训练集中获得每一个用户喜欢哪一些电影，key对应的是用户的Id，value对应的是用户喜欢的电影。

# 每一个人喜欢哪一