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！
這篇文章主要介紹了怎么用Python代碼實現Apriori關聯規則算法的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇怎么用Python代碼實現Apriori關聯規則算法文章都會有所收獲，下面我們一起來看看吧。
1993年，Agrawal等人在首先提出關聯規則概念，迄今已經差不多30年了，在各種算法層出不窮的今天，這算得上是老古董了，比很多人的年紀還大，往往是數據挖掘的入門算法，但深入研究的不多，尤其在風控領域，有著極其重要的應用潛力，是一個被低估的算法，很少見到公開的文章提及，我嘗試一一剖析，希望給你帶來一定的啟示。
我倒是進行了比較深刻、全面的思考，并進行了大量的實驗，這個話題感覺可以聊三天三夜。世界風云變幻，但本質沒變化，各種關聯一直存在，有意或無意的！
比如你女朋友， 低頭玩手指+沉默 ，那大概率生氣了，那這就是你總結出來的規則。啤酒與尿布的例子相信很多人都聽說過吧，故事是這樣的：在一家超市中，人們發現了一個特別有趣的現象，尿布與啤酒這兩種風馬牛不相及的商品居然擺在一起，但這一奇怪的舉措居然使尿布和啤酒的銷量大幅增加了。為什么有這么奇怪現象呢？是因為美國婦女在丈夫回家前買尿布，然后丈夫順手買了自己喜歡的啤酒，所以發生了這么有趣的事情。
很多人只記住了啤酒尿不濕，很少深入思考，我們稍微轉換下，日常的事情，也存在非常多的關聯規則？
放量+高換手率 -> 大概率上漲，歷史數據挖掘，假如發現放量+高換手率的股票大概率上漲，則挖掘當天滿足條件的個股，然后第二天買入，躺賺。
根據歷史數據，如果大規模的存在某些用戶看劇列表為：小時代 -> 上海堡壘，那么一個新的用戶看了小時代，馬上就給推薦上海堡壘，那大概率也會被觀看，呼蘭的賬號，就是這么臟的。
根據大量的數據挖掘出以下規則
早上： 起點家->目的地公司，
晚上： 起點家->目的高鐵站
周末： 起點家->目的地購物中心
那當你每天早上打開軟件的時候，打車軟件就會推薦你的公司作為目的地，大大的減少用戶的打車時間。如下圖，我輸入小區名稱，馬上給我推薦了三個地方，杭州東站第一位，因為平時的打車這個組合的支持度最高。
根據歷史標題，總結出規律發現商品標題包含 老司機+百度網盤 -> 色情風險高，那后面遇到這標題包含這兩個詞語的，就直接拒絕了。
根據歷史行為數據，發現了 沉默用戶+非常用地登錄+修改密碼 ->大概率都被盜號了，那一個新的賬戶滿足這個三個條件，那馬上就進行賬戶凍結或者實人認證，就能避免盜號風險的發生。
根據歷史數據，發現用戶A +B 每天都相隔10s登錄 ，則可以認為A、B存在關聯關系，可能是機器控制的同一批薅羊毛賬戶。
風控策略的自動化挖掘，這個也是我們后續要重點關注和講解的地方。
關聯規則有三個核心概念需要理解： 支持度、置信度、提升度 ，下面用最經典的啤酒-尿不濕案例給大家舉例說明這三個概念，假如以下是幾名客戶購買訂單的商品列表：
支持度 (Support)： 指某個 商品組合出現的次數 與 總訂單數 之間的比例。
在這個例子中，我們可以看到“牛奶”出現了 4 次，那么這 5 筆訂單中“牛奶”的支持度就是 4/5=0.8。
同樣“ 牛奶 + 面包 ”出現了 3 次，那么這 5 筆訂單中“牛奶 + 面包”的支持度就是 3/5=0.6
這樣理解起來是不是非常簡單了呢，大家可以動動手計算下 '尿不濕+啤酒' 的支持度是多少？
置信度 (Confidence)： 指的就是當你購買了商品 A，會有多大的概率購買商品 B，在包含A的子集中，B的支持度，也就是包含B的訂單的比例。
置信度（牛奶→啤酒）= 3/4=0.75，代表購買了牛奶的訂單中，還有多少訂單購買了啤酒，如下面的表格所示。
置信度（啤酒→牛奶）= 3/4=0.75，代表如果你購買了啤酒，有多大的概率會購買牛奶？
置信度（啤酒→尿不濕）= 4/4=1.0，代表如果你購買了啤酒，有多大的概率會買尿不濕，下面的表格看出來是100%。
由上面的例子可以看出，置信度其實就是個條件概念，就是說在 A 發生的情況下，B 發生的概率是多大。如果僅僅知道這兩個概念，很多情況下還是不夠用，需要用到提升度的概念。比如A出現的情況下B出現的概率為80%，那到底AB是不是有關系呢，不一定，人家B本來在大盤中的比例95%。你的A出現，反而減少了B出現的概率。
提升度 (Lift)： 我們在做商品推薦或者風控策略的時候，重點考慮的是提升度，因為提升度代表的是A 的出現，對B的出現概率提升的程度。
提升度 (A→B) = 置信度 (A→B)/ 支持度 (B)
所以提升度有三種可能：
提升度 (A→B)>1：代表有提升；
提升度 (A→B)=1：代表有沒有提升，也沒有下降；
提升度 (A→B)<1：代表有下降。
提升度 (啤酒→尿不濕) =置信度 (啤酒→尿不濕) /支持度 (尿不濕) = 1.0/0.8 = 1.25，可見啤酒對尿不濕是有提升的，提升度為1.25，大于1。
可以簡單理解為：在全集的情況下，尿不濕的概率為80%，而在包含啤酒這個子集中，尿不濕的概率為100%，因此，子集的限定，提高了尿不濕的概率，啤酒的出現，提高了尿不濕的概率。
頻繁項集(frequent itemset) ： 就是支持度大于等于最小支持度 (Min Support) 閾值的項集，所以小于最小值支持度的項目就是非頻繁項集，而大于等于最小支持度的的項集就是頻繁項集，項集可以是單個商品，也可以是組合。
頻繁集挖掘面臨的最大難題就是項集的組合爆炸 ，如下圖：
隨著商品數量增多，這個網絡的規模將變得特別龐大，我們不可能根據傳統方法進行統計和計算，為了解決這個問題，Apriori算法提出了兩個核心思想：
某個項集是頻繁的，那么它的所有子集也是頻繁的 {Milk, Bread, Coke} 是頻繁的 → {Milk, Coke} 是頻繁的
如果一個項集是 非頻繁項集，那么它的所有超集也是非頻繁項集 {Battery} 是非頻繁的 → {Milk, Battery} 也非平凡
如下圖，如果我們已知 B 不頻繁，那么可以說圖中所有綠色的項集都不頻繁，搜索時就要這些項避開，減少計算開銷。
同理，如果下圖所示， {A,B}這個項集是非頻繁的 ，那虛線框后面的都不用計算了， 運用Apriori算法的思想，我們就能去掉很多非頻繁的項集，大大簡化計算量，當然，面對大規模數據的時候，這種排除還是解決不了問題，于是還有FP-Growth（Frequent pattern Growth，頻繁模式增長樹）這種更高效的方法，后面有機會慢慢講。
需要注意的是：
1）如果支持度和置信度閾值過高，雖然可以在一定程度上減少數據挖掘的時間，但是一些隱含在數據中的非頻繁特征項容易被忽略掉，難以發現足夠有用的規則；
2）如果支持度和置信度閾值過低，可能會導致大量冗余和無效的規則產生，導致較大計算量負荷。
這里用的是Python舉例，用的包是apriori，當然R語言等其他語言，也有對應的算法包，原理都是一樣的，大家自行進行試驗。
#包安裝 我們使用efficient-apriori，python中也可以利用apyori庫和mlxtend庫
pip install efficient-apriori
#加載包
from efficient_apriori import apriori
‘'‘
apriori(transactions: typing.Iterable[typing.Union[set, tuple, list]],
min_support: float=0.5,
min_confidence: float=0.5,
max_length: int=8,
verbosity: int=0,
output_transaction_ids: bool=False)
上面就是這個函數的參數
min_support：最小支持度
min_confidence：最小置信度
max_length：項集長度
# 構造數據集
data = [('牛奶','面包','尿不濕','啤酒','榴蓮'),
('可樂','面包','尿不濕','啤酒','牛仔褲'),
('牛奶','尿不濕','啤酒','雞蛋','咖啡'),
('面包','牛奶','尿不濕','啤酒','睡衣'),
('面包','牛奶','尿不濕','可樂','雞翅')]
#挖掘頻繁項集和頻繁規則
itemsets, rules = apriori(data, min_support=0.6, min_confidence=1)
#頻繁項集
print(itemsets)
{1: {('啤酒',): 4, ('尿不濕',): 5, ('牛奶',): 4, ('面包',): 4},
2: {('啤酒', '尿不濕'): 4, ('啤酒', '牛奶'): 3, ('啤酒', '面包'): 3, ('尿不濕', '牛奶'): 4, ('尿不濕', '面包'): 4, ('牛奶', '面包'): 3},
3: {('啤酒', '尿不濕', '牛奶'): 3, ('啤酒', '尿不濕', '面包'): 3, ('尿不濕', '牛奶', '面包'): 3}}
itemsets[1] #滿足條件的一元組合
{('啤酒',): 4, ('尿不濕',): 5, ('牛奶',): 4, ('面包',): 4}
itemsets[2]#滿足條件的二元組合
{('啤酒', '尿不濕'): 4,('啤酒', '牛奶'): 3,('啤酒', '面包'): 3,('尿不濕', '牛奶'): 4,('尿不濕', '面包'): 4,('牛奶', '面包'): 3}
itemsets[3]#滿足條件的三元組合
{('啤酒', '尿不濕', '牛奶'): 3, ('啤酒', '尿不濕', '面包'): 3, ('尿不濕', '牛奶', '面包'): 3}
#頻繁規則
print(rules)
[{啤酒} -> {尿不濕}, {牛奶} -> {尿不濕},
{面包} -> {尿不濕}, {啤酒, 牛奶} -> {尿不濕},
{啤酒, 面包} -> {尿不濕}, {牛奶, 面包} -> {尿不濕}]
#我們把max_length=2這個參數加進去看看
itemsets, rules = apriori(data, min_support=0.6,
min_confidence=0.5,
max_length=2)
{1: {('牛奶',): 4, ('面包',): 4, ('尿不濕',): 5, ('啤酒',): 4, ('R',): 4},
2: {('R', '啤酒'): 4, ('R', '尿不濕'): 4, ('R', '牛奶'): 3, ('R', '面包'): 3, ('啤酒', '尿不濕'): 4, ('啤酒', '牛奶'): 3, ('啤酒', '面包'): 3, ('尿不濕', '牛奶'): 4, ('尿不濕', '面包'): 4, ('牛奶', '面包'): 3}}
#通過這個數據我們可以看到，項集的長度只包含有兩個項了每個導演都有自己的偏好、比如周星馳有星女郎，張藝謀有謀女郎，且鞏俐經常在張藝謀的電影里面出現，因此，每個導演對演員的選擇都有一定的偏愛，我們以寧浩導演為例，分析下選擇演員的一些偏好，沒有找到公開的數據集，自己手動扒了一部分，大概如下，有些實在有點多，于是簡化下進行分析。
可以看到，我們一共扒了9部電影，計算的時候，支持度的時候，總數就是9.
#把電影數據轉換成列表
data = [['葛優','黃渤','范偉','鄧超','沈騰','張占義','王寶強','徐崢','閆妮','馬麗'],
['黃渤','張譯','韓昊霖','杜江','葛優','劉昊然','宋佳','王千源','任素汐','吳京'],
['郭濤','劉樺','連晉','黃渤','徐崢','優恵','羅蘭','王迅'],
['黃渤','舒淇','王寶強','張藝興','于和偉','王迅','李勤勤','李又麟','寧浩','管虎','梁靜','徐崢','陳德森','張磊'],
['黃渤','沈騰','湯姆·派福瑞','馬修·莫里森','徐崢','于和偉','雷佳音','劉樺','鄧飛','蔡明凱','王戈','凱特·納爾遜','王硯偉','呲路'],
['徐崢','黃渤','余男','多布杰','王雙寶','巴多','楊新鳴','郭虹','陶虹','黃精一','趙虎','王輝'],
['黃渤','戎祥','九孔','徐崢','王雙寶','巴多','董立范','高捷','馬少驊','王迅','劉剛','WorapojThuantanon','趙奔','李麒麟','姜志剛','王鷺','寧浩'],
['黃渤','徐崢','袁泉','周冬雨','陶慧','岳小軍','沈騰','張儷','馬蘇','劉美含','王硯輝','焦俊艷','郭濤'],
['雷佳音','陶虹','程媛媛','山崎敬一','郭濤','范偉','孫淳','劉樺','黃渤','岳小軍','傅亨','王文','楊新鳴']]
#算法應用
itemsets, rules = apriori(data, min_support=0.5, min_confidence=1)
print(itemsets)
{1: {('徐崢',): 7, ('黃渤',): 9}, 2: {('徐崢', '黃渤'): 7}}
print(rules) [{徐崢} -> {黃渤}]
通過上述分析可以看出：
在寧浩的電影中，用的最多的是黃渤和徐崢，黃渤9次，支持度100%，徐崢7次，支持度78%，('徐崢', '黃渤') 同時出現7次，置信度為100%，看來有徐崢，必有黃渤，真是寧浩必請的黃金搭檔，且是一對好基友。
關于“怎么用Python代碼實現Apriori關聯規則算法”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“怎么用Python代碼實現Apriori關聯規則算法”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。
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。
