医院礼品店关联规则分析：Apriori算法应用

本文使用Apriori算法分析医院礼品店5笔交易数据，探索商品之间的关联关系。最小支持度设为0.4，旨在挖掘潜在的商品组合，为提升销售策略提供参考。

数据

假设医院礼品店已完成5项交易，购买记录清单如下：

| 交易号 | 商品 | |---|---| | 1 | 鲜花、慰问卡、苏打水 | | 2 | 毛绒玩具熊、鲜花、气球、糖果 | | 3 | 慰问卡、糖果、鲜花 | | 4 | 毛绒玩具熊、气球、苏打水 | | 5 | 鲜花、慰问卡、苏打水 |

商品编码

• 鲜花：1
• 慰问卡：2
• 苏打水：3
• 毛绒玩具熊：4
• 气球：5
• 糖果：6

代码

from apyori import apriori
import pandas as pd

def loadDataSet():
    return[[1, 2, 3], [4, 1, 5, 6], [2, 6, 1], [4, 5, 3], [1, 2, 3]]
D = loadDataSet()
min_support = 0.4

# 将数据转换为DataFrame格式
df = pd.DataFrame(D)

# 进行独热编码
df = pd.get_dummies(df, prefix="", prefix_sep="")

# 使用Apriori算法进行关联规则分析
rules = apriori(df, min_support=min_support, use_colnames=True)

# 输出结果
print("频繁项集：")
print(rules)

# 按照支持度和置信度进行筛选和排序
result = list(rules)
result.sort(key=lambda x: (x.support, x.confidence), reverse=True)

# 输出筛选后的结果
print("\n关联规则：")
for r in result:
    print(r.items, "support:", r.support, "confidence:", r.confidence)

结果

代码执行后，会输出频繁项集和关联规则。例如，可能发现“鲜花”和“慰问卡”经常一起购买，或者“毛绒玩具熊”和“气球”经常一起购买。

应用

通过分析关联规则，我们可以得到以下应用：

• 商品捆绑销售：将经常一起购买的商品捆绑销售，可以提高销售额。
• 商品陈列优化：将关联度高的商品放置在一起，方便顾客购买。
• 推广策略制定：针对不同的顾客群体，推荐他们可能感兴趣的商品。

结论

使用Apriori算法对医院礼品店交易数据进行关联规则分析，可以帮助我们了解商品之间的关系，为制定更有效的销售策略提供依据。