一．小结

本小节主要是学习关联规则，但是学习这个之前，我们要学习Apriori算法求的频繁集。

二．实操演示

（1）处理数据集

1. 导入数据

#导入数据

import pandas as pd

path = 'C:\\Users\\chxy\\Desktop\\data\\store_data.csv'

records = pd.read_csv(path,header=None,encoding='utf-8',na_filter=False)

#na_filter=False，表示空值导入后会显示为空，而不是NaN

print(records)

1. 对数据集进行编码

#对交易数据进行one-hot编码

from mlxtend.preprocessing import TransactionEncoder

TE = TransactionEncoder()#类实例化

one_hot_records = TE.fit(lst_records).transform(lst_records)

print(one_hot_records)

改正后:

import mlxtend

#对交易数据进行one-hot编码

from mlxtend.preprocessing import TransactionEncoder

TE = TransactionEncoder()#类实例化

lst_records = records.values.tolist()

one_hot_records = TE.fit(lst_records).transform(lst_records)

print(one_hot_records)

3.

#数据格式转为数据框

df_records = pd.DataFrame(data = one_hot_records,columns = TE.columns_)

print(df_records)

4.

#挖掘频繁项集

from mlxtend.frequent_patterns import apriori

freq_items = apriori(df_records,min_support=0.05,use_colnames=True)

print(freq_items)

（2）关联规则

5挖掘关联规则

#挖掘关联规则

from mlxtend.frequent_patterns import association_rules

association_rules_1 = association_rules(freq_items,metric='confidence',min_threshold=0.2)

print(association_rules_1)

6.导出关联规则挖掘结果

#导出关联规则挖掘结果

association_rules_1.to_csv(path_or_buf='C:\\Users\\Administrator\\Desktop\\association_rules.csv')

三.课后练习P75+P77