溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
python 如何實現關聯規則算法Apriori？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。
首先導入包含apriori算法的mlxtend庫，
pip install mlxtend
調用apriori進行關聯規則分析，具體代碼如下，其中數據集選取本博客 “機器學習算法——關聯規則” 中的例子，可進行參考，設置最小支持度（min_support）為0.4，最小置信度（min_threshold）為0.1，
最小提升度（lift）為1.0，對數據集進行關聯規則分析，
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules
import pandas as pd
df_arr = [['蘋果','香蕉','鴨梨'],
['橘子','葡萄','蘋果','哈密瓜','火龍果'],
['香蕉','哈密瓜','火龍果','葡萄'],
['橘子','橡膠'],
['哈密瓜','鴨梨','葡萄']
]
#轉換為算法可接受模型（布爾值）
te = TransactionEncoder()
df_tf = te.fit_transform(df_arr)
df = pd.DataFrame(df_tf,columns=te.columns_)
#設置支持度求頻繁項集
frequent_itemsets = apriori(df,min_support=0.4,use_colnames= True)
#求關聯規則,設置最小置信度為0.15
rules = association_rules(frequent_itemsets,metric = 'confidence',min_threshold = 0.15)
#設置最小提升度
rules = rules.drop(rules[rules.lift <1.0].index)
#設置標題索引并打印結果
rules.rename(columns = {'antecedents':'from','consequents':'to','support':'sup','confidence':'conf'},inplace = True)
rules = rules[['from','to','sup','conf','lift']]
print(rules)
#rules為Dataframe格式，可根據自身需求存入文件輸出結果如下：
from to sup conf lift 0 (哈密瓜) (火龍果) 0.4 0.666667 1.666667 1 (火龍果) (哈密瓜) 0.4 1.000000 1.666667 2 (哈密瓜) (葡萄) 0.6 1.000000 1.666667 3 (葡萄) (哈密瓜) 0.6 1.000000 1.666667 4 (葡萄) (火龍果) 0.4 0.666667 1.666667 5 (火龍果) (葡萄) 0.4 1.000000 1.666667 6 (哈密瓜, 葡萄) (火龍果) 0.4 0.666667 1.666667 7 (哈密瓜, 火龍果) (葡萄) 0.4 1.000000 1.666667 8 (葡萄, 火龍果) (哈密瓜) 0.4 1.000000 1.666667 9 (哈密瓜) (葡萄, 火龍果) 0.4 0.666667 1.666667 10 (葡萄) (哈密瓜, 火龍果) 0.4 0.666667 1.666667 11 (火龍果) (哈密瓜, 葡萄) 0.4 1.000000 1.666667 Process finished with exit code 0
看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
