今天本該是個剁手的日子，只可惜餘額不足高攀不起那臺i7-8565，只有再寫一篇文章聊以慰籍~~

前言：之前很少做關於資料關聯分析的題，而當初學關聯分析時也是自己寫程式碼來實現底層轉換與運算，粗略一點的整體程式碼量也達到150行左右，所以沒有高階的開源工具使用是很費時間的，由此阻礙了一顆想學習的心。後來遇到相關問題便Google了一些解決辦法，其中有一個整合很優秀，使用也很方便的GitHub開源專案，也是本篇文章的重點——

首先簡單介紹一下關聯分析的三個相關知識點：

頻繁項集：

頻繁項集是指那些經常出現在一起的物品，例如上圖的{葡萄酒、尿布、豆奶}，從上面的資料集中也可以找到尿布->葡萄酒的關聯規則，這意味著有人買了尿布，那很有可能他也會購買葡萄酒。那如何定義和表示頻繁項集和關聯規則呢？這裡引入支援度和可信度（置信度）。

支援度：

支援度：一個項集的支援度被定義為資料集中包含該項集的記錄所佔的比例，上圖中，豆奶的支援度為4/5，（豆奶、尿布）為3/5。支援度是針對項集來說的，因此可以定義一個最小支援度，只保留最小支援度的項集。

置信度：

可信度（置信度）：針對如{尿布}->{葡萄酒}這樣的關聯規則來定義的。計算為 支援度{尿布，葡萄酒}/支援度{尿布}，尿布，{葡萄酒}的支援度為3/5，{尿布}的支援度為4/5，所以“尿布->葡萄酒”的可行度為3/4=0.75，這意味著尿布的記錄中，我們的規則有75%都適用（買了尿布的顧客有75%還會買葡萄酒）。

上面簡單介紹三個基本概念，下面我們就來利用 mlxtend 完整簡單的實現上面購物表單的關聯分析問題。

關聯分析示例：

首先建立資料：

轉換為DataFrame格式，然後再教一個後續轉換回來的方法。

import pandas as pd

shopping_list = [['豆奶','萵苣'],
	        ['萵苣','尿布','葡萄酒','甜菜'],
	        ['豆奶','尿布','葡萄酒','橙汁'],
	        ['萵苣','豆奶','尿布','葡萄酒'],
	        ['萵苣','豆奶','尿布','橙汁']]

shopping_df = pd.DataFrame(shopping_list)

轉換資料列表：

接著轉換DataFrame資料為包含資料的列表。（由於我們接觸到的可能是DataFrame資料所以這裡介紹了兩個轉換為上面列表的方法）

# df_arr = shopping_df.stack().groupby(level=0).apply(list).tolist()	# 方法一

def deal(data):
	return data.dropna().tolist()
df_arr = shopping_df.apply(deal,axis=1).tolist()		        # 方法二

轉換為模型可接受資料：

由於mlxtend的模型只接受特定的資料格式。（TransactionEncoder類似於獨熱編碼，每個值轉換為一個唯一的bool值）

from mlxtend.preprocessing import TransactionEncoder	# 傳入模型的資料需要滿足特定的格式，可以用這種方法來轉換為bool值，也可以用函式轉換為0、1

te = TransactionEncoder()	# 定義模型
df_tf = te.fit_transform(df_arr)
# df_01 = df_tf.astype('int')			# 將 True、False 轉換為 0、1 # 官方給的其它方法
# df_name = te.inverse_transform(df_tf)		# 將編碼值再次轉化為原來的商品名
df = pd.DataFrame(df_tf,columns=te.columns_)

求頻繁項集：

匯入apriori方法設定最小支援度min_support=0.05求頻繁項集，還能選擇出長度大於x的頻繁項集。

from mlxtend.frequent_patterns import apriori

frequent_itemsets = apriori(df,min_support=0.05,use_colnames=True)	# use_colnames=True表示使用元素名字，預設的False使用列名代表元素
# frequent_itemsets = apriori(df,min_support=0.05)
frequent_itemsets.sort_values(by='support',ascending=False,inplace=True)	# 頻繁項集可以按支援度排序
# print(frequent_itemsets[frequent_itemsets.itemsets.apply(lambda x: len(x)) >= 2])  # 選擇長度 >=2 的頻繁項集

求關聯規則：

匯入association_rules方法判斷'confidence'大於0.9，求關聯規則。

from mlxtend.frequent_patterns import association_rules

association_rule = association_rules(frequent_itemsets,metric='confidence',min_threshold=0.9)	# metric可以有很多的度量選項，返回的表列名都可以作為引數
association_rule.sort_values(by='leverage',ascending=False,inplace=True)    #關聯規則可以按leverage排序
# print(association_rule)

下面便得到了上表中滿足設定條件的關聯規則

mlxtend使用了 DataFrame 方式來描述關聯規則，而不是 —> 符號，其中：

• antecedents：規則先導項

• consequents：規則後繼項

• antecedent support：規則先導項支援度

• consequent support：規則後繼項支援度

• support：規則支援度 （前項後項並集的支援度）

• confidence：規則置信度 （規則置信度：規則支援度support / 規則先導項）

• lift：規則提升度，表示含有先導項條件下同時含有後繼項的概率，與後繼項總體發生的概率之比。

• leverage：規則槓桿率，表示當先導項與後繼項獨立分佈時，先導項與後繼項一起出現的次數比預期多多少。

• conviction：規則確信度，與提升度類似，但用差值表示。

提升度計算公式：

其中，當先導項與後繼項獨立分佈時，值為 1，提升度越大，表示先導項與後繼項的關聯性越強。

槓桿率計算公式：

確信度計算公式：

確信度值越大，則先導項與後繼項的關聯性越強。 以上三個值都是越大關聯強度也就越大。