python实现数据挖掘经典算法之关联分析Apriori算法

今天我们要用python实现的是数据挖掘经典算法， Apriori算法。 这个算法主要用于做数据间的关联分析，专业点的说法就是 发现数据的频繁项集和关联规则。

再举个例子吧： 有一个经典的案例： 啤酒和尿布的故事，成年男性在买尿布的时候会买几瓶啤酒，用我们人的思维来思考的话，这二者并没有什么因果关系。然而通过对海量数据进行关联分析，却能够发现这个有趣的知识，在超市调整货架后，明显的提升了超市啤酒尿布的销量。

啤酒-尿布 关联分析 Apriori算法

网上的例子

在网上搜索一下，可以找到很多apriori算法的例子， 这些例子一般来说存在2个问题：

1）数据集太简单，通常是2-3个字段， 无法让人深入理解这个关联分析算法。

2）实现方法很啰嗦， 没有体现出python语言的强大数据结构的妙用。

所以， 我们今天用一个比较复杂的例子来实现apriori算法。

程序的具体要求

编写Apriori算法程序，平台python2

用Apriori 算法找出频繁项集，可以任意设定最小支持度和置信度。

找出强关联规则以及相应的支持度和置信度

结果输出到txt文本

数据集里的问号的数据不参与计数，可以省略

数据集

138行数据， 字段如下：

userID,smoker,drink_level,dress_preference,ambience,transport,marital_status,hijos,birth_year,interest,personality,religion,activity,color,weight,budget,height

再来看几行数据：

可以看到， 其中有数据是缺失的。

对于缺失的数据，我们可以去掉整行，也可以在关联分析的时候不分析这个缺失的字段。

面对如此多的字段， 如果靠人工的话，很难发现某几个字段有关联关系, 还好我们有高级算法和python语言。

代码

这个编辑器也是无语了， 贴上了代码，格式就乱了。

所以就发几张代码截图吧。

有需要完整代码的朋友，可以大胆私信哟。

运行与输出

在命令行运行python apriori.py 之后， 可以得到频繁项集和强关联规则。

频繁项集有2项集，三项集，一直到8项集。

比如这个2项强关联规则：

marital_status:singleactivity:student0.7753623188410.877049180328

表示未婚和学生存在强关联关系， 最后的两个数字是支持度和置信度。

提问

最后提问一个问题，看大家对这个关联分析算法有没有彻底理解：

频繁项集包括不包括一项集？