关联规则挖掘算法Apriori Python实战

最新推荐文章于 2025-06-08 00:00:57 发布
最新推荐文章于 2025-06-08 00:00:57 发布
阅读量1.3k 收藏 1
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/EdwardLorenz/article/details/68928216
本文介绍了Apriori算法的原理，并通过Python实现该算法，结合实际销售数据进行关联规则挖掘的实战解析。故事背景是20世纪90年代沃尔玛超市发现年轻父亲常将啤酒和尿布一起购买的现象，这一发现源于销售数据分析。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

相信大家一定听说过啤酒和尿布的营销案例【暂时先不去探讨是否是瞎编乱造的】，这个故事发生在20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，啤酒与尿布，两件看上去毫无关系的商品会经常出现在一个购物篮中，这种独特的Transaction现象引起了管理人员的注意，经过后续的跟进调查分析，发现这种现象多出现在年轻父亲的身上。

那么，如何挖掘出来这种关联模式呢？比较经典的挖掘方法有Apriori、FP Tree等，今天我们先详细探讨一下Apriori算法的实现原理，随后给出Python源码，并结合现有真实数据进行实战。


“

啤酒与尿布

”

的故事产生于

20

世纪

90

年代的美国沃尔玛超市中，

沃尔玛的超市管理人

员分析销售数据时发现了一个令人难于理解的现象：

在某些特定的情况下，

“

啤酒

”

与

“

尿布

”

两件看上去毫无关系的商品会经常出现在同一个购物篮中，

这种独特的销售现象引起了管理

人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上


“

啤酒与尿布

”

的故事产生于

20

世纪

90

年代的美国沃尔玛超市中，

沃尔玛的超市管理人

员分析销售数据时发现了一个令人难于理解的现象：

在某些特定的情况下，

“

啤酒

”

与

“

尿布

”

两件看上去毫无关系的商品会经常出现在同一个购物篮中，

这种独特的销售现象引起了管理

人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上


def loadSampleDataSet():
    return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2
最低0.47元/天 解锁文章

200万优质内容无限畅学
EdwardLorenz
关注
【数据挖掘实战】——中医证型的关联规则挖掘(Apriori算法)
lingxw的博客
02-19 1万+
能够帮助乳腺癌患者手术后体质的恢复、生存质量的改善，有利于提高患者的生存机率。探索不同分期阶段的三阴乳腺癌患者的中医证素分布规律，以及截断病变发展、先期干预的治疗思路，指导三阴乳腺癌的中医临床治疗。问卷信息采集者均要求有中医诊断学基础，能准确识别病人的舌苔脉象，用通俗的语言解释医学术语，并确保患者信息填写准确；中医辨证极为灵活，虽能够处理患者的复杂多变的临床症状，体现出治疗优势。但缺乏统一的规范，难以做到诊断的标准化。同一种疾病的辨证分型，往往都有不同见解，面对临床症状不典型的患者，初学者很难判断。
数据挖掘实战-基于Apriori关联规则的市场购物篮分析
m0_64336780的博客
11-18 10000
零售商希望针对客户提供有关客户最有可能购买的项目集的建议。数据集包含零售商的数据；交易数据提供一段时间内发生的所有交易的数据。零售商将利用结果在其行业中成长并为客户提供有关项目集的建议，我们能够提高客户参与度并改善客户体验并识别客户行为。数据集来源于Kaggle，原始数据集共有522064条，7个变量，各变量含义如下：BillNo:为每笔交易分配的6位数字。Itemname:产品名称。Quantity:每笔交易中每个产品的数量。Date:每笔交易生成的日期和时间。Price:产品价格。
详解python实现FP-TREE进行关联规则挖掘
05-26
详解python实现FP-TREE进行关联规则挖掘 python3.2实现,可以生成每一步fp树的图片(需要安装PIL)
python关联规则apriori算法_Python 实现关联规则分析Apriori算法
weixin_39855843的博客
11-29 313
#-*- coding:utf-8 -*-importsysreload(sys)sys.setdefaultencoding("utf8")defload_data_set():data_set=[['beer', 'baby diapers', 'shorts'], ['baby diapers', 'shorts'], ['baby diapers', 'milk'], ['beer', '...
数据挖掘——关联规则挖掘
最新发布
Magic_Chocolate的博客
06-08 1159
关联分析用于发现隐藏在大型数据集中的令人感兴趣的联系，所发现的模式通常用关联规则或频繁项集的形式表示。关联规则反映一个事物与其它事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物发生就能够预测与它相关联的其它事物的发生。项集（Itemset）包含0个或多个项的集合。包含k个项就是k-项集支持度计数（Support count ）：包含特定项集的事务个数支持度（Support）包含项集的事务数与总事务数的比值。
Python 实现关联规则分析Apriori算法
weixin_30394251的博客
08-07 266
# -*- coding:utf-8 -*- import sys reload(sys) sys.setdefaultencoding("utf8") def load_data_set(): data_set = [ ['beer', 'baby diapers', 'shorts'] , ['baby diapers', ...
python数据分析 - 关联规则Apriori算法
weixin_42010722的博客
04-14 8532
关联规则Apriori算法导语mlxtend实现Apriori算法 导语 关联规则： 是反映一个事物与其他事物之间的相互依存性和关联性 常用于实体商店或在线电商的推荐系统：通过对顾客的购买记录数据库进行关联规则挖掘，最终目的是发现顾客群体的购买习惯的内在共性，例如购买产品A的同时也连带购买产品B的概率，根据挖掘结果，调整货架的布局陈列、设计促销组合方案，实现销量的提升，最经典的应用案例莫过于<啤酒和尿布>。关联规则分析中的关键概念包括：支持度(Support)、置信度(Confidence)与提
关联规则（一）Apriori算法
一个只愿意做到80分的懒人
12-28 1772
1． 挖掘关联规则 1.1   什么是关联规则 一言蔽之，关联规则是形如 X → Y 的蕴涵式，表示通过 X 可以推导 “ 得到 ” Y ，其中 X 和 Y 分别称为关联规则的先导 (antecedent 或 left-hand-side, LHS) 和后继 (consequent 或 r...
实战中的数据挖掘：基于 Python 的关联规则挖掘算法应用与优化
威哥说编程
12-01 654
通过关联规则挖掘，我们能够从大量的交易数据中发现潜在的关联模式，为商业决策提供依据。Python 提供了丰富的库和工具，使得实现关联规则挖掘变得更加简单和高效。通过使用mlxtend等库，开发者可以轻松实现 Apriori 和 FP-growth 算法，并且根据实际需求优化算法，提升数据处理和分析能力。关联规则挖掘在电子商务、推荐系统、市场分析等领域有着广泛的应用，而掌握这些基本的算法和优化技巧，将帮助程序员在实际项目中获得更好的数据挖掘效果。
一文详解仅用python底层代码实现关联规则与Apriori算法
bohr2002的博客
03-28 2456
一、基本概念 1.1. 项集的定义：在关联分析中,包含 000 个或多个项的集合称为项集.如果一个项集包含 kkk 个项,则称它为 𝑘−𝑘 −k−项集.例如{牛奶,面包,麦片}是一个 3−3 −3−项集. 我们把空集看成不包含任何项的项集.如果一个项集XXX出现在某个事物 𝑡𝑖𝑡_𝑖ti​ 对应的购物记录中,称该事物包含了该项集,记为𝑋⊆𝑡𝑖𝑋 ⊆ 𝑡_𝑖X⊆ti​.每个事物包含的项集都是𝐼𝐼I的子集. 1.2. 支持度的定义：项集的一个重要性质就是它的支持度计数,即包含该项集的事务个数.项集 XXX 的支
python 实现关联规则算法Apriori的示例
12-16
首先导入包含apriori算法的mlxtend库， pip install mlxtend 调用apriori进行关联规则分析，具体代码如下，其中数据集选取本博客 “机器学习算法——关联规则” 中的例子，可进行参考，设置最小支持度（min_support）为0.4，最小置信度（min_threshold）为0.1， 最小提升度（lift）为1.0，对数据集进行关联规则分析， from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori from mlxte
Association-Rule-Mining-Python:关联规则挖掘的Python实现
05-16
#Python中的关联规则挖掘 文件描述： apriori.py：apriori算法的Python实现。 此代码读取用户指定的事务数据库文件，并根据用户指定的支持和置信度值生成频繁的项目集和关联规则。 DataSetx.txt：（x：1,2,3,4,5）五个不同的包含事务的数据集文件。 用法： 修改apriori.py的第14行，并指定要使用的数据集文件的名称。 从命令行运行程序：python apriori.py 出现提示时，以百分比形式提供支持和置信度值 生成频繁的项目集和关联规则
python 关联规则算法 apriori实现
weixin_40300458的博客
08-03 946
#-*- coding: utf-8 -*- from __future__ import print_function import pandas as pd #自定义连接函数，用于实现L_{k-1}到C_k的连接 def connect_string(x, ms): x = list(map(lambda i:sorted(i.split(ms)), x)) l = len(x[0...
Python学习笔记——关联规则（关联分析）
Waitind_的博客
04-22 4085
在超市的例子中，如果尿布和啤酒的提升度大于1，那么就说明购买尿布的顾客购买啤酒的概率大于这两个物品独立购买的概率。例如，在超市的数据中，关联分析可能会发现某些商品经常一起被购买，或者在特定的时间段某些商品的销售量会增加。比如，如果我们在所有的购物篮中查看，发现尿布和啤酒一起出现在80%的购物篮中，那么我们就说尿布和啤酒的支持度是80%。如果我们设置的最小支持度是50%，那么只有当尿布和啤酒一起出现在至少50%的购物篮中时，我们才认为这个组合是频繁的。关联分析的目的是找出数据库中的项目之间隐藏的关联性。
利用python实现Apriori关联规则算法
热门推荐
m0_64336780的博客
06-19 1万+
大家可能听说过用于宣传数据挖掘的一个案例: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。不论这个案例是否是真实的，案例中分析顾客购买记录的方式就是关联规则分析法Association Rules。关联规则分析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。项集：item的集合，如集合{牛奶、
python关联规则apriori算法_python实现关联规则分析Apriori算法
weixin_39949584的博客
03-02 896
Apriori算法介绍：Apriori其实是为了降低搜索空间以及提高搜索速度而设计的一种算法，本文采用python实现，彻底理解“频繁项集的所有非空子集一定是频繁的”这句话，并实现连接步、剪枝步、规则生成、提升度计算等。本节代码参考了《机器学习实战》第十一章中的代码，也参考了R语言的arules包，该包没有实现一对多的规则，因此，在以上基础上进行了改进，包括实现剪枝步，规则生成(一对一，一对多，多...
python实现关联规则分析Apriori算法
zlg358outlook的博客
09-16 5037
代码写了好久了，今天搬上来。 Apriori算法介绍： Apriori其实是为了降低搜索空间以及提高搜索速度而设计的一种算法，本文采用python实现，彻底理解“频繁项集的所有非空子集一定是频繁的”这句话，并实现连接步、剪枝步、规则生成、提升度计算等。 本节代码参考了《机器学习实战》第十一章中的代码，也参考了R语言的arules包，该包没有实现一对多的规则，因此，在以上
python实现简单关联规则Apriori算法
weixin_30908649的博客
10-14 220
1 from itertools import combinations 2 from copy import deepcopy 3 4 5 # 导入数据，并剔除支持度计数小于min_support的1项集 6 def load_data(data): 7 I_dict = {} 8 for i in data: 9 for...
数据挖掘——关联规则（Association Rule）Apriori算法和python代码实现
Luo_LA的博客
12-09 8206
数据挖掘中的关联规则，Apriori算法和python代码实现
python实现关联算法_关联规则算法Apriori的Python实现
weixin_39732716的博客
11-21 292
首先导入包含apriori算法的mlxtend库，pip install mlxtend调用apriori进行关联规则分析，具体代码如下，其中数据集选取本博客 “机器学习算法——关联规则” 中的例子，可进行参考，设置最小支持度（min_support）为0.4，最小置信度（min_threshold）为0.1，最小提升度（lift）为1.0，对数据集进行关联规则分析，from mlxtend.p...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值