python 零售关联数据_商品关联分析

写在前面的话：

最近发现，使用R做数据挖掘很是方便，一是能够快速搭建模型，二来有比较成熟的包进行数据可视化。下面详细记录自己用R语言做的一个商品关联分析，一开始对R不是很熟悉，在网上参考很多文章，然后结合自己的数据，简单的做了一个版本。

主要内容：

• 数据预处理
• 模型构建
• 结果分析

数据预处理：

在考虑对商品进行关联分析前，需要确定使用商品的哪个维度去分析，对于一般的线下的零售数据，可以具体到商品类目，比如啤酒，或者尿布。但是线上电商来说，商品有很明确分类，所以选择的维度可能有商品的一级、二级、三级类目，进而也可以从不同的维度去看商品类目之间的购买关联，同时因为线上商品数量比较多，一般不会考虑商品SPU或者SKU维度。

1. 在数据库中取出以下字段

• create_at: 订单支付时间
• user_id: 用户id，用于唯一识别用户
• gender：性别
• device：设备系统类型（Android/IOS）
• categories：一级/二级/三级类目

2. one hot编码处理

当时参考的文章里面是已经对数据进行one hot编码处理了，所以在我用SQL从数据库里取出来的数据，还得用python再洗一遍数据（话说很久都没用python，这门手艺都生了）

不多说了，直接上代码：

import 

模型构建：

前面通过sql取数并且利用python进行处理之后生成的csv文件就可以直接导入R中，然后调用关联算法进行相应的分析。

相关代码（R语言）：

###商品一级类目

结果分析：

通过以上关联模型，得出商品类目的购买的关联关系

商品一级类目关联规则：

• 数码电脑、女装、男装、日用百货是主要的被关联一级类目
• 客户购买童装时会倾向购买女装
• 从提升度上看，{家居饰品,日用百货} 是有效的强关联规则

不同性别情况：

不同设备情况：

商品二级类目：

二级无特别明显关联规则，关联的商品和性别相关，男士在购买T shirts会关联购买卫衣、裤子

商品三级类目：

从三级类目看，{耳环,女性耳钉}是相对强的关联规则，先买耳环再买女性耳钉的概率大于先买女性耳钉再买耳环

参考文章：

R语言关联分析之啤酒和尿布_王亨的博客-CSDN博客_could not find function inspect​blog.csdn.net

不写代码的调参侠：关联分析算法及实例（附数据和R代码）​zhuanlan.zhihu.com

https://stackoverflow.com/questions/37292872/how-can-i-one-hot-encode-in-python​stackoverflow.com R语言 apriori算法案例详解​blog.csdn.net

数据挖掘十大算法--Apriori算法_小硒---代码无疆-CSDN博客_aproir算法实例​blog.csdn.net