python 实现关联规则算法Apriori的示例
首先导入包含apriori算法的mlxtend库，
pipinstallmlxtend
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，
frommlxtend.preprocessingimportTransactionEncoder
frommlxtend.frequent_patternsimportapriori
frommlxtend.frequent_patternsimportassociation_rules
importpandasaspd
df_arr=[['苹果','香蕉','鸭梨'],
['橘子','葡萄','苹果','哈密瓜','火龙果'],
['香蕉','哈密瓜','火龙果','葡萄'],
['橘子','橡胶'],
['哈密瓜','鸭梨','葡萄']
]
#转换为算法可接受模型（布尔值）
te=TransactionEncoder()
df_tf=te.fit_transform(df_arr)
df=pd.DataFrame(df_tf,columns=te.columns_)
#设置支持度求频繁项集
frequent_itemsets=apriori(df,min_support=0.4,use_colnames=True)
#求关联规则,设置最小置信度为0.15
rules=association_rules(frequent_itemsets,metric='confidence',min_threshold=0.15)
#设置最小提升度
rules=rules.drop(rules[rules.lift<1.0].index)
#设置标题索引并打印结果
rules.rename(columns={'antecedents':'from','consequents':'to','support':'sup','confidence':'conf'},inplace=True)
rules=rules[['from','to','sup','conf','lift']]
print(rules)
#rules为Dataframe格式，可根据自身需求存入文件
输出结果如下：
fromtosupconflift 0(哈密瓜)(火龙果)0.40.6666671.666667 1(火龙果)(哈密瓜)0.41.0000001.666667 2(哈密瓜)(葡萄)0.61.0000001.666667 3(葡萄)(哈密瓜)0.61.0000001.666667 4(葡萄)(火龙果)0.40.6666671.666667 5(火龙果)(葡萄)0.41.0000001.666667 6(哈密瓜,葡萄)(火龙果)0.40.6666671.666667 7(哈密瓜,火龙果)(葡萄)0.41.0000001.666667 8(葡萄,火龙果)(哈密瓜)0.41.0000001.666667 9(哈密瓜)(葡萄,火龙果)0.40.6666671.666667 10(葡萄)(哈密瓜,火龙果)0.40.6666671.666667 11(火龙果)(哈密瓜,葡萄)0.41.0000001.666667 Processfinishedwithexitcode0
以上就是python实现关联规则算法Apriori的示例的详细内容，更多关于python实现关联规则算法Apriori的资料请关注毛票票其它相关文章！