### 使用Apriori算法实现频繁项集和关联规则 为了在 Python 中使用 Apriori 算法挖掘频繁项集并生成关联规则，可以借助 `mlxtend` 库中的 `apriori` 和 `association_rules` 函数来完成此操作。以下是具体方法： #### 安装依赖库 首先需要安装必要的库： ```bash pip install mlxtend pandas numpy ``` #### 数据准备 假设表3-7的数据如下所示（以事务数据库为例），其中每一行代表一个交易记录。 | TID | Items | |-----|---------------| | 1 | {A, B, C} | | 2 | {B, C, D} | | 3 | {A, B, D} | | 4 | {A, C, D} | 将其转换为适合输入的形式： ```python import pandas as pd data = [ ['A', 'B', 'C'], ['B', 'C', 'D'], ['A', 'B', 'D'], ['A', 'C', 'D'] ] df = pd.DataFrame(data, columns=['Item_1', 'Item_2', 'Item_3']) one_hot_encoded_df = pd.get_dummies(df.stack()).groupby(level=0).sum() print(one_hot_encoded_df) ``` #### 挖掘频繁项集 通过设置最小支持度阈值为75%，即每条数据中有至少三条满足条件的组合才能成为频繁项集。 ```python from mlxtend.frequent_patterns import apriori frequent_itemsets = apriori( one_hot_encoded_df, min_support=0.75, # 设置最小支持度为75% use_colnames=True # 返回实际列名而非索引号 ) print(frequent_itemsets) ``` #### 生成关联规则 基于已找到的频繁项集，进一步设定最小置信度为80%筛选出符合条件的关联规则。 ```python from mlxtend.frequent_patterns import association_rules rules = association_rules( frequent_itemsets, metric="confidence", # 基于置信度计算规则 min_threshold=0.8 # 最小置信度设为80% ) print(rules[['antecedents', 'consequents', 'support', 'confidence']]) ``` 以上代码实现了从原始事务数据库到最终关联规则的过程[^1]。 --- ### 注意事项 - **最小支持度**决定了哪些项集被认为是“频繁”的标准；如果该值过高可能导致无法发现任何模式。 - **最小置信度**影响所提取规则的质量评估指标之一——即当某前件发生时后件发生的概率是否足够高。 - 如果希望调整参数或者改变其他约束条件，则需相应修改函数调用中的参数配置。 ---