### 使用 Python 和 mlxtend 实现 Apriori 算法的完整代码示例 以下是一个完整的代码示例，展示如何使用 `mlxtend` 包中的 `apriori` 函数和 `association_rules` 函数来挖掘关联规则[^1]。 #### 数据准备 首先需要创建一个交易数据集，其中每一行表示一次交易，每个元素表示购买的商品。为了便于分析，通常将数据转换为二进制矩阵形式，其中每列对应一个商品，值为 1 表示该商品在交易中出现，值为 0 表示未出现[^2]。 ```python import pandas as pd from mlxtend.frequent_patterns import apriori from mlxtend.frequent_patterns import association_rules # 创建示例交易数据 data = [ ['牛奶', '面包', '黄油'], ['牛奶', '尿布', '啤酒', '鸡蛋'], ['牛奶', '面包', '黄油', '尿布'], ['面包', '黄油', '啤酒'], ['牛奶', '面包', '黄油', '尿布'] ] # 将数据转换为适合 Apriori 算法的格式 df = pd.DataFrame(data, columns=['Item1', 'Item2', 'Item3', 'Item4']) df = pd.get_dummies(df).groupby(level=0, axis=1).sum() # 显示转换后的数据 print("转换后的二进制矩阵：") print(df) ``` #### 挖掘频繁项集 使用 `apriori` 函数挖掘频繁项集。可以通过设置 `min_support` 参数来指定最小支持度阈值[^3]。 ```python # 挖掘频繁项集 frequent_itemsets = apriori(df, min_support=0.2, use_colnames=True) # 显示频繁项集 print("\n频繁项集：") print(frequent_itemsets) ``` #### 生成关联规则 使用 `association_rules` 函数生成关联规则。可以指定不同的度量标准（如置信度、提升度等）来筛选规则[^4]。 ```python # 生成关联规则 rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1) # 显示关联规则 print("\n关联规则：") print(rules[["antecedents", "consequents", "support", "confidence", "lift"]]) ``` #### 完整代码 以下是将上述步骤整合后的完整代码： ```python import pandas as pd from mlxtend.frequent_patterns import apriori from mlxtend.frequent_patterns import association_rules # 创建示例交易数据 data = [ ['牛奶', '面包', '黄油'], ['牛奶', '尿布', '啤酒', '鸡蛋'], ['牛奶', '面包', '黄油', '尿布'], ['面包', '黄油', '啤酒'], ['牛奶', '面包', '黄油', '尿布'] ] # 将数据转换为适合 Apriori 算法的格式 df = pd.DataFrame(data, columns=['Item1', 'Item2', 'Item3', 'Item4']) df = pd.get_dummies(df).groupby(level=0, axis=1).sum() # 显示转换后的数据 print("转换后的二进制矩阵：") print(df) # 挖掘频繁项集 frequent_itemsets = apriori(df, min_support=0.2, use_colnames=True) # 显示频繁项集 print("\n频繁项集：") print(frequent_itemsets) # 生成关联规则 rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1) # 显示关联规则 print("\n关联规则：") print(rules[["antecedents", "consequents", "support", "confidence", "lift"]]) ``` ### 结果解释 - **频繁项集**：表示满足最小支持度条件的商品组合。 - **关联规则**：表示商品之间的关联关系，通过支持度、置信度和提升度等指标进行评估。