python-關聯規則
1. 什麼是關聯規則
關聯規則，從大量資料中發現事物、特徵或者資料之間的，頻繁出現的相互依賴關係和關聯關係。
X—>Y，XY的關聯規則，包括支援度support、信任度confidence和提升度lift。
關聯規則最早是為購物籃分析問題所提出，如著名的啤酒與尿布的故事。
2. 關聯規則有什麼用
發現項集之間的關聯和相關關係，通過對資料集進行關聯分析可得出形如“由於某些事件的發生而引起另外一些事件的發生”之類的規則。關聯分析對商業決策具有重要的價值，如基於使用者購買習慣，制定相關推薦產品、套裝商品或捆綁商品的銷售策略，達到平臺整體銷量提升
3. 如何運用關聯規則
3.1 基本概念
假設某個時間段記憶體在以下4次交易行為，購買商品如下：
| TID | Items |
|---|---|
| 001 | Cola, Egg, Ham |
| 002 | Cola, Diaper, Beer |
| 003 | Cola, Diaper, Beer, Ham |
| 004 | Diaper, Beer |
關聯規則中涉及到的基本概念：
| 名稱 | 說明 |
|---|---|
| 事務 | 每一個交易資料稱為一個事務。如上表包含了4個事務 |
| 項 | 交易的每個商品稱為項。如Cola, Beer等 |
| 項集 | 交易商品組成的集合，如{Cola}, {Cola Egg} |
| K-項集 | 包含K個商品的集合叫做 K-項集。如{Cola, Beer, Ham}：3-項集 |
| 支援度計數 | 一個商品集合出現在N個交易中，則該商品集合的支援度計數為N。如{Diaper, Beer}出現在交易 002、 003、 004中，其支援度計數為3 |
| 支援度 | 支援度計數 / 總事務數。如 {Diaper, Beer} 支援度為 3/4 = 75%。這說明75%的人同時買了 Diaper 和 Beer。 |
| 頻繁項集 | 支援度大於或等於某個閾值的項集就叫做頻繁項集。如 閾值設50%時，因為{Diaper, Beer}的支援度是75%，所以它是頻繁項集。 |
| 置信度 | 對於{A}->{B}，它的置信度為 {A, B}的支援度計數 除以 {A} 的支援度計數。如，規則{Diaper}->{Beer}的置信度為 3/3，即100%，說明買了Diaper的人 100% 也買了 Beer。 |
| 強關聯規則 | 大於或等於最小支援度閾值 和 最小置信度閾值 的規則叫做強關聯規則。關聯分析的最終目標就是要找出強關聯規則。 |
3.2 頻繁項集評估標準
頻繁項集，顧名思義指頻繁出現item項的集合。
如何定義頻繁呢？用比例來判定，常用的頻繁項集的評估標準有支援度,置信度和提升度三個。
-
支援度：出現的項集在總事務中的佔比。以購買記錄為例子，購買記錄4條，如果商品Cola和Beer同時出現2條購買記錄（即同時購買Cola和Beer的記錄有2），那邊Cola和Beer這個2項集的支援度為50%。
-
置信度：購買Cola的情況下，再購買Beer的概率。
-
提升度：使用規則後商品出現的次數是否高於商品單獨出現的概率。
提升度體先了X和Y之間的關聯關係, 提升度大於1則X->Y是有效的強關聯規則， 提升度小於等於1則X->Y是無效的強關聯規則 。一個特殊的情況，如果X和Y獨立，則有Lift(X⇐Y)=1，因為此時P(X|Y)=P(X)。
3.3 Aprior演算法思想
Apriori演算法的目標是找到最大的K項頻繁集，一是滿足最小支援度的頻繁集，二是找到頻繁集的最大個數。
Apriori演算法採用了迭代的方法：
-
先搜尋出候選1項集及對應的支援度，剪枝去掉低於支援度的1項集，得到頻繁1項集。
-
然後對剩下的頻繁1項集進行連線，得到候選的頻繁2項集，篩選去掉低於支援度的候選頻繁2項集，得到真正的頻繁二項集。
-
以此類推，迭代下去，直到無法找到頻繁k+1項集為止，對應的頻繁k項集的集合即為演算法的輸出結果。
圖中有4個記錄，記錄項有1，2，3，4，5若干
-
首先先找出1項集對應的支援度（C1），可以看出4的支援度25%低於最小支援閾值50%，先剪掉，得到（L1）。
-
從1項集生成2項集，並計算支援度（C2），可以看出（1，5）（1，2）支援度均為25%低於最小支援閾值，先剪掉，得到（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，至此無法生成新的頻繁項集，演算法結束，最終得到3-項頻繁集。
由於Apriori演算法在每次計算項集的支援度時需要掃描所有資料集，當資料量較大，資料種類較多時，演算法的效率是很低的。
4. Apriori演算法應用
基於Sebastian Raschka 提供的非常有用的具有Apriori演算法的MLxtend庫。
import pandas as pd
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules
from mlxtend.preprocessing import TransactionEncoder
df=pd.read_excel(r'C:\Users\Desktop\My_Python\Online Retail.xlsx')
df.head()
####-------------------------------------------
#### 資料清洗
####-------------------------------------------
df['Description'] = df['Description'].str.strip()
df.dropna(axis=0, subset=['InvoiceNo'], inplace=True)
df['InvoiceNo'] = df['InvoiceNo'].astype('str')
df = df[~df['InvoiceNo'].str.contains('C')]
df = df[~(df['Description']=='POSTAGE')]
####-------------------------------------------
#### 對資料進行One-Hot編碼
####-------------------------------------------
# 選取France樣本資料
basket = pd.DataFrame(df[df['Country'] =="France"].groupby(['InvoiceNo', 'Description'])['Quantity'].sum().reset_index()
, columns = ['InvoiceNo', 'Description', 'Quantity'])
df_grouped=basket.groupby('InvoiceNo')['Description'].unique().apply(list).reset_index().set_index(['InvoiceNo'])
# df_grouped
# 將資料格式轉換成One-Hot編碼要求格式 a list of lists
basket_list = [df_grouped['Description'][i] for i in range(len(df_grouped['Description']))]
te = TransactionEncoder()
df_tf = te.fit_transform(basket_list)
basket_sets_encoder = pd.DataFrame(df_tf,columns=te.columns_)
# 篩選滿足大於或等於最小支援度0.07的頻繁項集
frequent_itemsets = apriori(basket_sets_encoder, min_support=0.07, use_colnames=True)
frequent_itemsets.sort_values(by='support', ascending=False, inplace=True)
frequent_itemsets
# 選擇2項頻繁項集
frequent_itemsets['length'] = frequent_itemsets.itemsets.apply(lambda x: len(x))
frequent_itemsets[frequent_itemsets['length'] == 2]
# 計算關聯規則
# metric可以有很多的度量選項，返回的表列名都可以作為引數
association_rule = association_rules(frequent_itemsets,metric='confidence',min_threshold=0.5)
#關聯規則可以提升度排序
association_rule.sort_values(by='lift',ascending=False,inplace=True)
association_rule
# 規則是：antecedents->consequents
參考來源：