关联规则--Apriori算法案例--Python

本文主要是介绍关联规则--Apriori算法案例--Python，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

数据样本

数据获取：关注并私信“关联规则案例”

# -*- codeing = utf-8 -*-
# @Time : 2021/11/26 22:41
# @Author : Tancy
# @File : 病例分析-- Apriori算法.py
# @Software : PyCharm

# 1.数据读取
import pandas as pd
df = pd.read_excel('D:\A_学习\数据仓库与数据挖掘\实验\患者病症.xlsx')
# print(df.head())

# 2. 数据预处理

symptoms = []  # 创建一个空列表  病症
# 切分 转化为一个二维数组
for i in df['病人症状'].tolist():
    symptoms.append(i.split(','))
# print(symptoms)

# 将数据转化为布尔类型
from mlxtend.preprocessing import TransactionEncoder
TE = TransactionEncoder() # 构造转换类型
data = TE.fit_transform(symptoms)  # 转换为一个布尔类型的表格
# print(data)

# 将布尔类型的数据存储为DataFrame 格式
import pandas as pd
df = pd.DataFrame(data, columns=TE.columns_)
# print(df.head())

# 3.挖掘频繁项集
from mlxtend.frequent_patterns import apriori
items = apriori(df, min_support=0.15, use_colnames=True)
# print(items)
# print(items[items['itemsets'].apply(lambda x:len(x))==1])
# print(items[items['itemsets'].apply(lambda x:len(x))==2])
# print(items[items['itemsets'].apply(lambda x:len(x))==3])
# print(items[items['itemsets'].apply(lambda x:len(x))==4])

# 4.根据最小置信度，在频繁项集中找强关联规则
from mlxtend.frequent_patterns import association_rules
rules = association_rules(items, min_threshold=0.6)
# print(rules)

# 5.提取关联规则，美化
for i, j in rules.iterrows():
    X = j['antecedents']
    Y = j['consequents']
    x = ', '.join([item for item in X])
    y = ', '.join([item for item in Y])
    print(x + ' → ' + y)

这篇关于关联规则--Apriori算法案例--Python的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！