Apriori算法是通过限制候选产生发现频繁项集。总的来说，Apriori算法其实效率并不高，大规模数据计算的时候，需要考虑性能问题。
code + data可见：mattzheng/AprioriDemo
盗图盗图： 
在R语言里面有非常好的package，可见我之前的博客：
R语言实现关联规则与推荐算法(学习笔记)
该packages能够实现以下一些可视化：
但是好像Python里面没有这样封装比较好的库…搜刮了一下，发现很多人写了，但是没有可视化模块，不过先拿着用呗。
笔者参考这两位大神的作品：
当然也会结合今日头条数据来做，之前做过一个练习，可见我之前博客：
练习题｜基于今日头条开源数据的词共现、新热词发现、短语发现
因为该大神写的时候用得py2，我现在习惯py3；同时对一些细节进行一些调整。主要以介绍案例为主。
整体来看，效率还是很不错的，要比第二款效率高。
runApriori(inFile, minSupport, minConfidence)输入的内容有三样：
- inFile：数据集输入，迭代器
- minSupport：最小支持度阈值，作者推荐：0.1-0.2之间
- minConfidence：最小置信度阈值，作者推荐：0.5-0.7之间
输出内容两样：
- items ，支持度表，形式为：(tuple, support)，一个词的支持度、一对词的支持度【无指向】
- rules ，置信度表，形式为((pretuple, posttuple), confidence)，（起点词，终点词），置信度【有指向】
为了更便于使用，同时笔者改编了一个函数 dataFromFile + 新写了一个函数 transferDataFrame。
dataFromFile(fname,extra = False)作者函数中只能从外部读入，如果笔者要对数据集做点操作，就可以使用extra = True,当然只适用dataframe，可见下面的今日头条数据例子。
transferDataFrame(items, rules,removal = True)items、rules计算出来之后，作者只是print出来，并没有形成正规的格式输出，这里写了一个变成dataframe的格式。可见下面例子的格式。
同时，这边的removal =True，是因为会出现：‘A->B’，‘B->A’的情况，这边True就是只保留一个。
作者的数据为，而且可以支持不对齐、不等长： 
inFile = dataFromFile('INTEGRATED-DATASET.csv',extra = False) minSupport = 0.15 minConfidence = 0.6 items, rules = runApriori(inFile, minSupport, minConfidence) # ------------ print函数 ------------ printResults(items, rules) # ------------ dataframe------------ items_data,rules_data = transferDataFrame(items, rules)这里的支持度、置信度都还挺高的，得出的结果：
items_data的支持度的表格，其中Len，代表词表中的词个数。 
rules_data 的置信度表格，指向为word_x->word_y 
今日头条的数据处理，主要参考上一篇练习题。然后把二元组的内容，截取前800个，放在此处。 
其中第一列为共现频数，其他为共现词，在这里面不用第一列共现频数。
data = pd.read_csv('CoOccurrence_data_800.csv',header = None) inFile = dataFromFile(data[[1,2]],extra = True) data_iter = dataFromFile(data[[1,2]],extra = True) #list(inFile) minSupport = 0.0 minConfidence = 0.0 items, rules = runApriori(inFile, minSupport, minConfidence) print('--------items number is: %s , rules number is : %s--------'%(len(items),len(rules))) # ------------ print函数 ------------ printResults(items, rules) # ------------ dataframe------------ items_data,rules_data = transferDataFrame(items, rules)此时，因为词语与词语之间的关系很稀疏，支持度与置信度都不会高的，所以练习题中要把两个比例都设置为0比较好。
items_data的支持度的表格，其中Len，代表词表中的词个数。 
rules_data 的置信度表格，指向为word_x->word_y 
.
用Pandas写的，效率在生成频繁集的时候会爆炸，所以合理选择支持度很重要。
大神写的很服从中文环境，所以不用改啥，给赞！
所使用的数据比较规则： 
# ------------ 官方 ------------ d = pd.read_csv('apriori.txt', header=None, dtype = object) d = ToD(d) support = 0.06 #最小支持度 confidence = 0.75 #最小置信度 output = find_rule(d, support, confidence) output.to_excel('rules.xls')大神已经整理好结果，可见： 
今日头条的数据处理，主要参考上一篇练习题。然后把二元组的内容，截取前800个，放在此处。
其中第一列为共现频数，其他为共现词，在这里面不用第一列共现频数。
# ------------自己 ------------ data = pd.read_csv('CoOccurrence_data_800.csv',header = None) support = 0.002 #最小支持度 confidence = 0.0 #最小置信度 d = ToD(data[[1,2]]) output = find_rule(d, support, confidence)因为词条之间非常稀疏，支持度与置信度需要设置非常小，如果support设置为0的话，又会超级慢，笔者实验的数据，支持度比较合适在0.002。
最终输出的结果如下： 