詳解Python 關聯(lián)規(guī)則分析

更新時間：2021年03月18日 10:53:28 作者：阿橙FM

這篇文章主要介紹了Python 關聯(lián)規(guī)則分析的相關資料，幫助大家更好的理解和學習使用python，感興趣的朋友可以了解下

1. 關聯(lián)規(guī)則

大家可能聽說過用于宣傳數(shù)據(jù)挖掘的一個案例:啤酒和尿布；據(jù)說是沃爾瑪超市在分析顧客的購買記錄時，發(fā)現(xiàn)許多客戶購買啤酒的同時也會購買嬰兒尿布，于是超市調整了啤酒和尿布的貨架擺放，讓這兩個品類擺放在一起；結果這兩個品類的銷量都有明顯的增長；分析原因是很多剛生小孩的男士在購買的啤酒時，會順手帶一些嬰幼兒用品。

不論這個案例是否是真實的，案例中分析顧客購買記錄的方式就是關聯(lián)規(guī)則分析法Association Rules。

關聯(lián)規(guī)則分析也被稱為購物籃分析，用于分析數(shù)據(jù)集各項之間的關聯(lián)關系。

1.1 基本概念

項集：item的集合，如集合{牛奶、麥片、糖}是一個3項集，可以認為是購買記錄里物品的集合。
頻繁項集：顧名思義就是頻繁出現(xiàn)的item項的集合。如何定義頻繁呢？用比例來判定，關聯(lián)規(guī)則中采用支持度和置信度兩個概念來計算比例值
支持度：共同出現(xiàn)的項在整體項中的比例。以購買記錄為例子，購買記錄100條，如果商品A和B同時出現(xiàn)50條購買記錄（即同時購買A和B的記錄有50），那邊A和B這個2項集的支持度為50%

置信度：購買A后再購買B的條件概率，根據(jù)貝葉斯公式，可如下表示：

提升度：為了判斷產(chǎn)生規(guī)則的實際價值，即使用規(guī)則后商品出現(xiàn)的次數(shù)是否高于商品單獨出現(xiàn)的評率，提升度和衡量購買X對購買Y的概率的提升作用。如下公式可見，如果X和Y相互獨立那么提升度為1，提升度越大，說明X->Y的關聯(lián)性越強

1.2 關聯(lián)規(guī)則Apriori算法

關聯(lián)規(guī)則方法的步驟如下：

發(fā)現(xiàn)頻繁項集
找出關聯(lián)規(guī)則

Apriori算法是經(jīng)典的關聯(lián)規(guī)則算法。Apriori算法的目標是找到最大的K項頻繁集。Apriori算法從尋找1項集開始，通過最小支持度閾值進行剪枝，依次尋找2項集，3項集直到?jīng)]有更過項集為止。

下面是一個案例圖解：

圖中有4個記錄，記錄項有1，2，3，4，5若干
首先先找出1項集對應的支持度（C1），可以看出4的支持度低于最小支持閾值，先剪掉（L1）。
從1項集生成2項集，并計算支持度（C2），可以看出（1，5）（1，2）支持度低于最小支持閾值，先剪掉（L2）
從2項集生成3項集，（1，2，3）（1，2，5）（2，3，5）只有（2，3，5）滿足要求
沒有更多的項集了，就定制迭代

2. mlxtend實戰(zhàn)關聯(lián)規(guī)則

關聯(lián)規(guī)則目前在scikit-learn中并沒有實現(xiàn)。這里介紹另一個python庫mlxtend。

2.1 安裝

pip install mlxtend

2.2 簡單的例子

來看下數(shù)據(jù)集：

import pandas as pd

item_list = [['牛奶','面包'],
    ['面包','尿布','啤酒','土豆'],
    ['牛奶','尿布','啤酒','可樂'],
    ['面包','牛奶','尿布','啤酒'],
    ['面包','牛奶','尿布','可樂']]

item_df = pd.DataFrame(item_list)

數(shù)據(jù)格式處理，傳入模型的數(shù)據(jù)需要滿足bool值的格式

from mlxtend.preprocessing import TransactionEncode

te = TransactionEncoder()
df_tf = te.fit_transform(item_list)
df = pd.DataFrame(df_tf,columns=te.columns_)

計算頻繁項集

from mlxtend.frequent_patterns import apriori

# use_colnames=True表示使用元素名字，默認的False使用列名代表元素, 設置最小支持度min_support
frequent_itemsets = apriori(df, min_support=0.05, use_colnames=True)

frequent_itemsets.sort_values(by='support', ascending=False, inplace=True)

# 選擇2頻繁項集
print(frequent_itemsets[frequent_itemsets.itemsets.apply(lambda x: len(x)) == 2])

計算關聯(lián)規(guī)則

from mlxtend.frequent_patterns import association_rules

# metric可以有很多的度量選項，返回的表列名都可以作為參數(shù)
association_rule = association_rules(frequent_itemsets,metric='confidence',min_threshold=0.9)

#關聯(lián)規(guī)則可以提升度排序
association_rule.sort_values(by='lift',ascending=False,inplace=True)    
association_rule
# 規(guī)則是：antecedents->consequents

選擇出來關聯(lián)規(guī)則之后，根據(jù)提升度排序后，可能最高提升度的規(guī)則是在我們常識范圍內，那這個規(guī)則的價值就不高。所以我們要在產(chǎn)生的規(guī)則中根據(jù)業(yè)務特點進行篩選，像開篇提到（啤酒->尿布）完全不同的品類之間的關聯(lián)。

筆者最近用關聯(lián)規(guī)則分析用戶的體檢報告記錄，也得出了關于各個病癥的有意義的關聯(lián)，如并發(fā)癥，不同病癥相互影響等。