关联规则算法

计算频繁项集： 首先生成一个数据集 def loadDataSet(): return [[ 1 , 3 , 4 ], [ 2 , 3 , 5 ], [ 1 , 2 , 3 , 5 ], [ 2 , 5 ]] 测试数据集dataset有了，第一步，我们要根据数据集dataset得到一个集合C1，集合C1中包含的元素为dataset的无重复的每个单元素，候选项集。 def createC1(dataset): C1 = [] for transaction in dataset: for item in transaction: if not [item] in C1: C1.append([item]) C1.sort() return map(frozenset, C1) 返回的数据map计算得到一个元素为frozenset的集合。 为什么要转成frozenset? 原因两个： 1. 这个集合是从dataset中抽取出所有无重复的数据集，是固定的，应该是不可变的类型。 2. frozenset可以作字典 可以看一下返回结果： 第二步，计算C1<key>每个元素key的支持度。 支持度= count(key) / sizeof(C1) def scanD(D, Ck, minSupport): ssCnt = {} for tid in D: for can in Ck: if

关联规则挖掘是数据挖掘中最活跃的研究方法之一， 最早是针对购物篮分析问题提出的，其目的是为了发现交易数据库中不同商品之间的联系规则，这些规则刻画了顾客购买行为模式，可以用来指导商家科学地安排进货，库存以及货架设计等。 而Apriori算法是第一个关联规则挖掘算法，也是最经典的算法。 以如下的场景为例，使用Python快速实现Apriori算法： 1.场景与需求 一家超市的业务数据库中有销售订单表如下： id为订单号，name为商品名称 来源： CSDN 作者： OMax 链接： https://blog.csdn.net/osvyxcbttw/article/details/104191941