订单，用户，商品关联分析记录

最新推荐文章于 2022-12-19 10:45:00 发布

苍狗白云一瞬间

最新推荐文章于 2022-12-19 10:45:00 发布

阅读量4k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：数据分析 python

本文链接：https://blog.youkuaiyun.com/qq_14865711/article/details/83583028

本文记录了一次使用Python的apriori进行订单、用户和商品关联分析的过程。起初，从大量分散的订单数据中未能得到有意义的结果。通过调整数据采样策略，如选取特定品类订单，情况有所改善，但仍不理想。进一步分析发现，关联规则分析需要足够的样本量，每个主体至少1000条数据。最后，通过对高频SKU的筛选和相关用户购买行为分析，成功产出了一些推荐规则，验证了算法的有效性，但强调了数据抽取对分析结果的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近有做采购平台订单，用户，商品关联分析的任务

目的在于希望能产出商品推荐商品或者商品推荐给用户的数据

主要采用python的apriori 进行关联分析

样例代码如下

大概如下：

from apyori import apriori
import pandas as pd
def ResultDFToSave(rules):  # 根据Qrange3关联分析生成的规则得到并返回对于的DataFrame数据结构的函数
    returnRules = []
    for i in rules:
        temList = []
        temList.append(i[0]);
        temList.append(i[1]);
        temList.append(i[2])
        temList.append(i[3]);
        returnRules.append(temList)
    return pd.DataFrame(returnRules, columns=('规则项', '推荐项', '支持度', '置信度'))

data = [['豆奶','莴苣'],['莴苣','尿布','葡萄酒','甜菜'], ['豆奶','尿布','葡萄酒','橙汁'],['莴苣','豆奶','尿布','葡萄酒'],['莴苣','豆奶','尿布','橙汁']]
result = list(apriori(transactions=data))

for  re in result:
    cur_ordered_statistics=re.ordered_statistics[0]
    print(re.support,cur_ordered_statistics.items_base,cur_ordered_statistics.items_add,cur_ordered_statistics.confidence)