经典购物篮分析--Apriori算法解析(一)

Apriori算法介绍
相关性分析擅长寻找二组或多组线性变量之间的数据表现，但如果分析的多组事务不属于线性变量，而属于布尔型事务项集，就需要采取关联分析法，最典型算法就是购物篮分析。
购物篮分析算法有很多，最著名的是Apriori算法。
Apriori算法是由Agrawal和R.Srikant于1994年提出来的，是一种关联分析经典算法，至今依然是数据分析领域十大明星算法之一，可见其功能之强大。
Apriori名称来自于拉丁语，也有人写成A-priori，意思是“来自以前”，指的是根据过去频繁发生项目集合的先验知识，预测后续的事务关联关系。
Aprori算法主要用于关联规则数据挖掘，因此也被称为ARM算法（Association Rule Ming algorithms）。
Apriori算法用于寻找频繁项目集合，因此也被称为频繁模式算法（Frequent Pattern Algorithms），此处的频繁项目集合有二个含义：首先分析对象必须是频繁出现的事务项目集合（简称项集）；其次频繁出现的项集预示着事物之间存在着关联关系，具体来说，Apriori算法采取了二阶段方法（Two-Phase Methodology）：
第一阶段：找到频繁项集（Finding frequent itemsets），比如AB是ABCD、AB、ABD等项目的频繁项集 。
第二阶段：根据频繁项集生成关联规则（Generating association rules），比如A=>B。
Apriori算法来自于零售超市业态，目前已经应用到银行、保险、市场营销等不