R语言关联规则及其可视化（Foodmart数据）

数据集描述

上周数据挖掘学习了关联规则，今天来练习一下。
回顾一下一些重要的名词：

数据集是Foodmart1997年和1998年的购物篮数据（合并为了一个数据集sales.txt），购物篮items用编号表示；编号对应的具体商品列表在productList.txt
参考：https://blog.csdn.net/gjwang1983/article/details/45015203
关联规则和可视化用的R语言，主要是arules和arulesViz两个包，但部分对数据集的处理用的Python（R我用得不太熟练），以下代码若无额外说明都是R语言

# 导入我们需要用到的包
library(arules)        # association rules
library(arulesViz)     # data visualization of association rules
library(RColorBrewer)  # color palettes for plots
library(shinythemes)   # 交互式的绘图需要

# 读取交易数据集（这里我已经将97和98年数据手动合并成了sales.txt）
sales <- read.transactions("Sales.txt", format = "basket", sep =" ")
summary(sales)

output:

summary的含义：

• 第一段：总共有54600条交易记录，1559种商品。density = 0.00295表示在稀疏矩阵中1的百分比。
• 第二段：最频繁出现的商品item，以及其出现的次数。可以计算出最大支持度。
• 第三段：每笔交易包含的商品数目，以及其对应的5个分位数和均值的统计信息。如：4003条交易仅包含了1个商品，7825条交易购买了2件商品，1条交易购买了27件商品。第一分位数是3，意味着25%的交易包含不超过3个item。中位数是4。所有的交易平均购买4.6件商品。
• 第四段：如果数据集包含Item之外的其他的列（如，交易的时间，用户ID等等），会显示在这里。

查看一下数据集的前5行：

inspect(sales[1:5])  # 查看数据

items
1 {1441,326,932}
2 {1038,1148,555}
3 {327,377,653,942}
4 {118,1227,1383,390,673,761}
5 {113,1401,363,452,525,768}

初步探索

对交易数据进行一些简单的描述统计吧，比如计算一个每个商品item出现的频数和频率。频率可以用itemFrequency()这个函数直接计算得到，通过itemFrequencyPlot()可以画出最频繁被购买的商品

itemFreq <- itemFrequency(sales)      # ItemFrequency是这个item的支持度（在transaction中出现的频率）
basketSize = size(sales)              # 每个transaction包含item的数目
itemCount <- (itemFreq/sum(itemFreq))*sum(basketSize)   # 每个item出现的次数
sum(itemFreq)    # 平均一个transaction购买的item个数
orderedItemFreq <- sort(itemFrequency(sales)