Apriori 算法关联规则分析：医院礼品店购买记录分析

使用 Apriori 算法分析医院礼品店购买记录

医院礼品店已完成 5 项交易，购买记录清单如下：

| 交易编号 | 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 |

目标： 使用 Apriori 算法分析这些交易记录，发现商品之间的关联规则，最小支持度设为 0.4。

代码实现：

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
results = list(apriori(D, min_support=min_support))

for r in results:
    support = r.support
    items = list(r.items)
    if len(items) > 1:
        print('关联规则: {} -> {}'.format(items, support))

解释：

• loadDataSet() 函数定义了交易记录数据集。
• min_support 设置为 0.4，表示关联规则的支持度必须大于等于 0.4。
• apriori() 函数执行 Apriori 算法，生成关联规则。
• 代码遍历所有关联规则，打印支持度大于 0.4 的规则。

输出结果：

执行代码后，可能会得到如下关联规则（具体结果可能因数据集而异）：

• 关联规则: [1, 2] -> 0.6
• 关联规则: [1, 3] -> 0.6
• 关联规则: [2, 3] -> 0.6

结论：

分析结果表明，鲜花、慰问卡和苏打水之间存在较强的关联关系。这可能意味着顾客在购买鲜花时，更有可能同时购买慰问卡和苏打水。这些信息可以帮助医院礼品店制定更有效的营销策略，例如将鲜花、慰问卡和苏打水捆绑销售，或在购买鲜花时推荐慰问卡和苏打水。

注意：

• 以上结果仅供参考，实际结果可能因数据集和参数设置而异。
• 关联规则分析可以帮助发现数据中的隐藏模式，为决策提供依据。
• 在使用关联规则分析时，需要考虑各种因素，例如数据的准确性、样本量和业务需求。