关联分析又称关联挖掘：发现存在于大量数据集中的关联性或相关性，进行智能推荐。
经典例子:沃尔玛的啤酒与尿布的故事，通过对超市购物篮数据进行分析，即顾客放入购物篮中不同商品之间的关系来分析顾客的购物习惯，发现美国妇女们经常会叮嘱丈夫下班后为孩子买尿布，30%-40%的丈夫同时会顺便购买喜爱的啤酒，超市就把尿布和啤酒放在一起销售增加销售额。
二、概念解释以菜篮子购物举例
- 项 和 项集：每个商品就是一个项，多个商品的集合就是项集。
- 关联规则：关联规则是形如 A → B 的表达式，A 称为前件，B 称为后件，该规则表示的意思是：某用户如果购买了商品 A，那么也会购买商品 B。
- 支持度（support）：support(X->Y)=P(XY), 也就是项目X和项目Y同时出现的概率。衡量频繁项集的频繁共现度。
- 频繁项集：满足最小支持度阈值的项集。
- 置信度(confidence)：cofidence(X—>Y)=P(Y|X)=P(XY)/P(X),表示在项目X发生情况下，项目Y发生的条件概率。 置信度是衡量关联规则是否具有可信度的指标，通常利用最小置信度（一般为0.5）过滤掉正确概率较低的关联规则。
- 强关联规则：满足置信度大于人为设定的阈值（最小置信度）的关联规则为强关联规则。
- 提升度（lift）：Lift（X—>Y）=P(Y|X)/P(Y)=P(XY)/(P(X)P(Y)), 用于比较置信度与结果项目Y单独发生时两者概率间的大小。
lift(A->B)=c(A->)/s(B) ,
提升度反映了项目A的出现对项目B出现的影响程度。其实是一种相关性度量的方法。
- 如果lift(A,B)<1，则说明A的出现和B的出现是负相关的； - 如果lift(A,B)>1，则A和B是正相关的，意味A的出现对B的出现有促进作用； - 如果lift(A,B)=1，则说明A和B是独立的，没有相关性。
具有实用性的关联规则应该是提升度大于1的规则。
三、频繁项集原理- 算法初始通过单遍扫描数据集，确定每个项的支持度，得到所有频繁1项集的集合
- 用上一步迭代发现的频繁（k-1）项集，产生新的候选k项集
- 对候选项的支持度计数
- 计算候选项的支持度计数，删除支持度计数小于阈值的所有候选项集
- 当没有新的频繁项集产生时，算法结束。
https://blog.csdn.net/DWNMD/article/details/106035302
四、寻找强关联规则步骤- 设定最小支持度、最小置信度
- 根据最小支持度找出所有的频繁项集：Apriori 算法的思路是，先计算长度为 1 的项集的支持度，找出其中的频繁项集；再将长度为 1 的频繁项集进行排列组合，并计算长度为 2 的项集的支持度，找出其中的频繁项集，以此类推。
- 因为关联规则至少在两个数据之间才可能存在，所以选择长度大于1的项集。
- 根据最小置信度发现强关联规则。
| 参数名 | 中文解释 | 值 |
|---|---|---|
| transactions | 事务集合 | 值为嵌套列表或Series |
| min_support | 最小支持度阈值 | float,默认值为0.1 |
| min_confidence | 最小置信度阈值 | float,默认为0.0 |
| min_lift | 最小提升度 | float,默认为0.0 |
| max_length | 序列最小长度 | int |
# 使用apyori库
from apyori import apriori
# 事务库
transactions = [['A', 'B', 'C'], ['A', 'B'], ['B', 'C'], ['A', 'B', 'C', 'D'], ['B', 'C', 'D']]
# 计算强关联规则
rules = apriori(transactions, min_support=0.4, min_confidence=0.8)
results = list(rules)
# 规则展示
for i in results:
for j in i.ordered_statistics:
X = j.items_base # 前件
Y = j.items_add # 后件
x = ','.join([item for item in X])
y = ','.join([item for item in Y])
if x != '':
print(f'{x}→{y}')
