原文链接：http://tecdat.cn/?p=23955

原文出处：拓端数据部落公众号

关联规则学习?在机器学习中用于发现变量之间的有趣关系。Apriori算法是一种流行的关联规则挖掘和频繁项集提取算法，在关联规则学习中有应用。它旨在对包含交易的数据库进行操作，例如商店客户的购买（购物篮分析）。除了购物篮分析之外，该算法还可以应用于其他问题。例如，在网络用户导航领域，我们可以搜索诸如访问过网页A和网页B的客户也访问过网页C的规则。

Python sklearn 库没有 Apriori 算法，其中 Python 库?MLxtend?用于市场篮子分析。在这篇文章中，我将分享如何使用Python 获取关联规则和绘制图表，为数据挖掘中的关联规则创建数据可视化?。首先我们需要得到关联规则。

从数组数据中获取关联规则

要获取关联规则，您可以运行以下代码


????????????

import pandas as pd




oary = ott(daset).trafrm(dtset)

df = pd(oh_ry, column=oht.cns)
print (df)??????????



frequent = apror(df, mn_upprt=0.6, useclaes=True)

print (frequent )

数据挖掘中的置信度和支持度

为了选择有趣的规则，我们可以使用最知名的约束，即置信度和支持度的最小阈值?。
支持度是指项目集在数据集中出现的频率。
置信度表示规则被发现为真的频率。

suprt=rules(['suport'])

cofidece=rules(['confience'])

关联规则——散点图

建立散点图的python代码。由于这里有几个点有相同的值，我添加了小的随机值来显示所有的点。



for i in range (len(supprt)):

???suport[i] = suport[i] + 0.00 * (ranom.radint(,10)- 5)
???confidence[i] = confidence[i] + 0.0025 * (rao.rant(1,10) - 5)


plt.show()

以下是支持度和置信度的散点图：

如何为数据挖掘中的关联规则创建数据可视化

为了将关联规则表示为图。这是关联规则示例：（豆，洋葱）==>（鸡蛋）

下面的有向图是为此规则构建的，如下所示。具有 R0 的节点标识一个规则，并且它总是具有传入和传出边。传入边将代表规则前项，箭头在节点旁边。?

下面是一个从实例数据集中提取的所有规则的图形例子。

这是构建关联规则的源代码。

import networkx as nx?

??G1 = nx.iGaph()

???

??colr_ap=[]

??N = 50

??colors = np.randm.rndN)???

???

???

??for i in range (rue_o_w):?????

????G1.a_od_from(["R"+st(i)])

????

?????

????for a in rsloc[i]['anedts']:

????????????????

????????G1.dnoesrom([a])

????????

????????G1.adedg(a, "R"+str(i))

???????

????for c in ruleioc[i]['']:

?????????????

????????????G1.addnodsom()

????????????

????????????G1.adddge"R"str(i), c, colo=[i], weht=2)



??for noe in G1:

???????fod_astring = alse

???????for iem in sts:

???????????if nde==itm:

????????????????found_a_ring = True

???????if fond_sting:

????????????cor_mp.apend('ellw')

???????else:
????????????cor_mapapped('green')??????




??plt.show()