Python关联规则实战指南（从零开始掌握Apriori算法与购物篮分析）

使用 Python 实现 Apriori 算法

我们将使用 mlxtend 库来实现 Apriori算法。首先安装所需库：

pip install pandas mlxtend

步骤 1：准备交易数据

假设我们有一个超市的交易记录，每行代表一次购物包含的商品：

import pandas as pd# 创建示例数据transactions = [    ['牛奶', '面包', '黄油'],    ['啤酒', '尿布', '牛奶'],    ['牛奶', '面包', '尿布'],    ['啤酒', '面包', '黄油'],    ['牛奶', '面包', '黄油', '尿布']]# 转换为 One-hot 编码格式（mlxtend 要求）from mlxtend.preprocessing import TransactionEncoderte = TransactionEncoder()te_ary = te.fit(transactions).transform(transactions)df = pd.DataFrame(te_ary, columns=te.columns_)print(df)

步骤 2：挖掘频繁项集

使用 Apriori 算法找出支持度大于阈值的项集：

from mlxtend.frequent_patterns import apriori# 设置最小支持度为 0.6（即至少出现在 60% 的交易中）frequent_itemsets = apriori(df, min_support=0.6, use_colnames=True)print(frequent_itemsets)

步骤 3：生成关联规则

基于频繁项集生成规则，并筛选高置信度的规则：

from mlxtend.frequent_patterns import association_rules# 生成规则，按置信度排序rules = association_rules(    frequent_itemsets,     metric="confidence",     min_threshold=0.7)# 只显示 antecedents（前件）、consequents（后件）、support、confidence、liftprint(rules[['antecedents', 'consequents', 'support', 'confidence', 'lift']])

结果解读

假设输出如下：

  antecedents consequents  support  confidence  lift0     (牛奶)      (面包)      0.8        1.0     1.25

这表示：当顾客购买了“牛奶”时，有 100% 的概率也会购买“面包”（置信度=1.0），且 lift=1.25 > 1，说明两者正相关。

应用场景与总结

通过本教程，你已经掌握了如何用 Python 进行频繁项集挖掘和关联规则生成。这项技术广泛应用于：

• 电商平台的商品推荐
• 超市货架布局优化
• 交叉销售策略制定

记住，关键参数如 min_support 和 min_confidence 需要根据实际业务调整。多尝试不同阈值，才能发现真正有价值的规则！

希望这篇关于 Python关联规则、Apriori算法、购物篮分析 和 频繁项集挖掘 的教程对你有所帮助！