### 关联规则挖掘与网络图可视化 为了在 Python 中实现关联规则挖掘并使用 `networkx` 和 `matplotlib` 绘制网络图，可以按照如下方法操作。 #### 数据预处理 数据集通常由事务组成，在进行关联规则挖掘之前，需要确保这些事务被适当地转换成适合算法的形式。对于关联规则挖掘来说，常见的库之一是 `mlxtend` 库中的 `apriori` 函数以及用于生成规则的 `association_rules` 方法[^1]。 ```python from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori, association_rules # 假设 data 是一个列表形式的数据集，其中每个元素代表一次交易记录 te = TransactionEncoder() te_ary = te.fit(data).transform(data) df = pd.DataFrame(te_ary, columns=te.columns_) frequent_itemsets = apriori(df, min_support=0.5, use_colnames=True) rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1) print(rules.head()) ``` 这段代码展示了如何利用 `TransactionEncoder` 将原始数据编码为二进制矩阵，并通过调用 `apriori()` 计算频繁项集；接着再基于此计算出满足特定提升度阈值的关联规则。 #### 构建图形模型 一旦获得了关联规则的结果，则可以根据前件 (antecedents) 和后件 (consequents)，创建节点和边的关系来表示它们之间的联系： ```python import networkx as nx G = nx.DiGraph() for index, row in rules.iterrows(): antecedent = ', '.join(list(row['antecedents'])) consequent = ', '.join(list(row['consequents'])) G.add_node(antecedent, color='blue') G.add_node(consequent, color='red') weight = round(float(row['confidence']), 2) G.add_edge(antecedent, consequent, label=f'conf={weight}', weight=weight) ``` 这里定义了一个有向图对象 `DiGraph()`, 并遍历所有的规则条目以添加相应的顶点及其属性（颜色），同时也建立了连接两个集合间关系的加权边。 #### 可视化展示 最后一步就是借助于 Matplotlib 来呈现最终形成的网络结构图像: ```python plt.figure(figsize=(12,8)) pos = nx.spring_layout(G, k=0.7) node_colors = [data.get('color', 'green') for node,data in G.nodes(data=True)] edges = G.edges() weights = [G[u][v]['weight'] for u,v in edges] nx.draw_networkx_nodes(G, pos, alpha=0.9, node_color=node_colors, node_size=3000) nx.draw_networkx_edges(G, pos, edgelist=edges, width=weights, edge_color='grey', arrowsize=20) nx.draw_networkx_labels(G, pos, font_size=12, font_family='sans-serif') edge_labels = {(u, v): d['label'] for u, v, d in G.edges(data=True)} nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels) plt.title("Association Rules Visualization") plt.axis('off') plt.show() ``` 上述脚本设置了图表大小、布局方式 (`spring_layout`) ，指定了不同类型的节点的颜色方案，并且根据权重调整了线条粗细程度，从而使得整个图形更加直观易懂[^3].