「Python 数据化运营」关联规则日常总结

傷城~ 2022-09-07 12:10 302阅读 0赞

### 文章目录 ###

*  内容介绍
 *  一般应用场景
 *  关联规则实现
 *  关联规则应用举例

# 内容介绍 #

以 **Python** 使用 **关联规则** 简单举例应用关联规则分析。

**关联规则** 也被称为购物篮分析，用于分析数据集各项之间的关联关系。

# 一般应用场景 #

**关联规则分析**：最早的案例啤酒和尿布；据说是沃尔玛超市在分析顾客的购买记录时，发现许多客户购买啤酒的同时也会购买婴儿尿布，于是超市调整了啤酒和尿布的货架摆放，让这两个品类摆放在一起；结果这两个品类的销量都有明显的增长；分析原因是很多刚生小孩的男士在购买的啤酒时，会顺手带一些婴幼儿用品。

后来也引申到不同的应用场景，分析变量与变量之间的关系情况分析。总体来说分析的都是类别变量。

# 关联规则实现 #

import pandas as pd
    from apriori_new import * #导入自行编写的apriori函数
    import time #导入时间库用来计算用时
    import re
    import random
    import pandas as pd
    
    # 自定义关联规则算法
    def connect_string(x, ms):
        x = list(map(lambda i: sorted(i.split(ms)), x))
        l = len(x[0])
        r = []
        # 生成二项集
        for i in range(len(x)):
            for j in range(i, len(x)):
                # if x[i][l-1] != x[j][l-1]:
                if x[i][:l - 1] == x[j][:l - 1] and x[i][l - 1] != x[j][
                    l - 1]:  # 判断数字和字母异同，初次取字母数字不全相同（即不同症状（字母），或同一证型程度不同（数字））
                    r.append(x[i][:l - 1] + sorted([x[j][l - 1], x[i][l - 1]]))
        return r
    
    # 寻找关联规则的函数
    def find_rule(d, support, confidence, ms=u'--'):
        result = pd.DataFrame(index=['support', 'confidence'])  # 定义输出结果
    
        support_series = 1.0 * d.sum() / len(d)  # 支持度序列
        column = list(support_series[support_series > support].index)  # 初步根据支持度筛选,符合条件支持度，共 276个index证型
        k = 0
    
        while len(column) > 1:  # 随着项集元素增多 可计算的column（满足条件支持度的index）会被穷尽，随着证型增多，之间的关系会越来越不明显，（同时发生可能性是小概率了）
            k = k + 1
            print(u'\n正在进行第%s次搜索...' % k)
            column = connect_string(column, ms)
            print(u'数目：%s...' % len(column))
            sf = lambda i: d[i].prod(axis=1, numeric_only=True)  # 新一批支持度的计算函数
            len(d)
            # 创建连接数据，这一步耗时、耗内存最严重。当数据集较大时，可以考虑并行运算优化。
            # 依次对column每个元素（如[['A1', 'A2'], ['A1', 'A3']]中的['A1', 'A2']）运算，计算data_model_中对应该行的乘积，930个，若['A1', 'A2']二者同时发生为1则此行积为1
            d_2 = pd.DataFrame(list(map(sf, column)),index=[ms.join(i) for i in column]).T  # list(map(sf,column)) 276X930 index 276
            support_series_2 = 1.0 * d_2[[ms.join(i) for i in column]].sum() / len(d)  # 计算连接后的支持度
            column = list(support_series_2[support_series_2 > support].index)  # 新一轮支持度筛选
            support_series = support_series.append(support_series_2)
            column2 = []
    
            for i in column:  # 遍历可能的推理，如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B？
                i = i.split(ms)  # 由'A1--B1' 转化为 ['A1', 'B1']
                for j in range(len(i)):  #
                    column2.append(i[:j] + i[j + 1:] + i[j:j + 1])
    
            cofidence_series = pd.Series(index=[ms.join(i) for i in column2])  # 定义置信度序列
    
            for i in column2:  # 计算置信度序列 如i为['B1', 'A1']
                # i置信度计算：i的支持度除以第一个证型的支持度，表示第一个发生第二个发生的概率
                cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))] / support_series[ms.join(i[:len(i) - 1])]
    
            for i in cofidence_series[cofidence_series > confidence].index:  # 置信度筛选
                result[i] = 0.0  # B1--A1 0.330409 A1--B1 0.470833,绝大部分是要剔除掉的，初次全剔除
                result[i]['confidence'] = cofidence_series[i]
                result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
    
        result = result.T.sort_values(by=['confidence', 'support'],ascending=False)  # 结果整理，输出,先按confidence升序，再在confidence内部按support升序，默认升序，此处降序
        return result

# 关联规则应用举例 #

sku_list = [
        '0000001','0000002','0000003','0000004','0000005',
        '0000006','0000007','0000008','0000009','0000010',
        '0000011','0000012','0000013','0000014','0000015',
        '0000016','0000017','0000018','0000019','0000020',
        'A0000001','A0000002','A0000003','A0000004','A0000005',
        'A0000006','A0000007','A0000008','A0000009','A0000010',
        'A0000011','A0000012','A0000013','A0000014','A0000015',
        'A0000016','A0000017','A0000018','A0000019','A0000020',
    ]
    
    # 随机抽取数据生成列表
    mat = [ random.sample(sku_list, random.randint(2,5))  for i in range(100)]
    data = pd.DataFrame(mat,columns=["A","B","C","D","E"])
    data = pd.get_dummies(data) # 转换类别变量矩阵
    data = data.fillna(0)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]

*  **支持度**：表示项集\{X,Y\}在总项集里出现的概率。
 *  **置信度**：表示在先决条件X发生的情况下，由关联规则”X→Y“推出Y的概率。表示在发生X的项集中，同时会发生Y的可能性，即X和Y同时发生的个数占仅仅X发生个数的比例。

support = 0.01 #最小支持度
    confidence = 0.05 #最小置信度
    ms = '---' #连接符，默认'--'，用来区分不同元素，如A--B。需要保证原始表格中不含有该字符
    
    start = time.clock() #计时开始
    print(u'\n开始搜索关联规则...')
    print(find_rule(data, support, confidence, ms))
    end = time.clock() #计时结束
    print(u'\n搜索完成，用时：%0.2f秒' %(end-start))

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20220829/c8b36d6c127f4d86b16b5dba95e5dbb3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]: /images/20220829/46d65e7af55244ebab170d3ab99ded7c.png