利用关联规则模型挖掘连锁餐厅交易记录python

最新推荐文章于 2021-03-31 14:59:40 发布

原创

最新推荐文章于 2021-03-31 14:59:40 发布 · 512 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#python #模型 #关联规则 #数据挖掘 #机器学习

本文介绍了如何使用Python进行关联规则模型的构建，旨在通过顾客消费交易记录来优化菜单、营销活动和门店话术。作者在实现过程中遇到将数据库数据转化为list的难点，并分享了初步测试中发现的菜品相关性，为决策提供了依据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

写在前面

该模型原理比较简单，网上有很多资料，但作为一个计算机外行，需要把这个模型用python建立起来，还是踩了不少坑。最大的一个坑是：数据库导出的数据以dataframe导入后分组转化为list；（因为数据库导出的数据是按单号和某个菜品，需要把菜品合并在一个list中）

目的

挖掘顾客消费交易记录，来对菜单、营销活动、门店话术等，进行规划；

代码

（由于没有编程基础，所以过多的使用了for语句，期望各位大佬帮忙优化一下；）

data=[[1,3,2,4,5,6],[2,4,6,3],[2,5,7,4],[5,7,4]]#这里我用我任意写的数据来做测试（最后数据库中导出的数据也会转化为这种模式）
I=[]#构建项目集
for i in data :
	for x in i:
		if x not in I :
			I.append(x)
print('项目集为：',I)
SUPmin=0.5 #设置最小支持度
CONFmin=0.5 #设置最小置信度
print('SUPmin:',SUPmin)
print('CONFmin:',CONFmin)
FQE=[]#建立候选频繁集
S=[]#建立候选频繁集对应的支持度
D=len(data)
print('交易笔数：',D)
for item in I :
	x=0
	for tid in data:
		if item in tid:
			x+=1
	if x/D>SUPmin:#supmin
		S.append(x/D)
		FQE.append(item)
print('频繁子项FQE：',FQE)
print('频繁子项支持度S：',S)
T2=[]#生成所有2项集
D2=[]#收集频繁2项集
SUP=[]
LENFQE=len(FQE)
for i in range(LENFQE):
	for y in range(i+1,LENFQE) :
			T2.append([FQE[i],FQE[y]])
print('所有二项子集T2:',T2)
print('-------求出&