医院礼品店关联规则分析：Apriori算法应用

数据准备

假设医院礼品店已完成5项交易，购买记录清单如下：

| 交易ID | 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 |

我们将这些商品进行编码：

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

Apriori算法分析

我们将使用Python的apyori库来进行Apriori算法分析。首先导入必要的库：

from apyori import apriori
import pandas as pd

然后定义一个函数来加载数据：

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

接下来，我们将数据转换成DataFrame格式并进行独热编码：

# 转换成DataFrame格式
df = pd.DataFrame(D)

# 进行独热编码
df_hot = pd.get_dummies(df.stack()).sum(level=0)

最后，使用Apriori算法进行关联规则分析，并设置最小支持度为0.4，最小置信度为0.8：

# 使用Apriori算法进行关联规则分析
result = list(apriori(df_hot, min_support=min_support, min_confidence=0.8))

# 输出结果
for r in result:
    print(r.items, r.support, r.ordered_statistics[0].confidence)

结果分析

运行代码后，我们可以得到一些关联规则，例如：

• {'鲜花', '慰问卡'} 的支持度为 0.6，置信度为 1.0，这意味着如果顾客购买了鲜花，那么他们也有 100% 的概率购买慰问卡。

总结

通过Apriori算法分析，我们可以发现医院礼品店商品之间的关联关系，从而帮助店员进行商品推荐，提高销量。