关联规则算法及其画图（python

1.代码：

算法的介绍和原理就不多阐述了，链接放在这里：
介绍和原理1
介绍和原理2

import numpy as np
import seaborn as sns
import pandas as pd
from matplotlib import pyplot as plt
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules

# input
df_Retails = pd.read_excel("关联.xlsx")
df_Retails.head()

# process
df_Retails = df_Retails.set_index("记录")

# output
print(df_Retails.shape)
print(df_Retails.columns)
print(df_Retails.describe())

# 统计频繁项集(支持度筛选)
df_Frequent_Itemsets = apriori(df_Retails,min_support=0.07,use_colnames=True)
print(df_Frequent_Itemsets)

# 计算关联规则(提升度筛选)
df_AssociationRules = association_rules(df_Frequent_Itemsets
                                        ,metric="lift"
                                        ,min_threshold=1)
print(df_AssociationRules)

# 筛选关联规则(提升度和置信度筛选)
df_A=df_AssociationRules[(df_AssociationRules["lift"]>=1.4)&(df_AssociationRules[ "confidence"]>=0.35)]
print(df_A)

#处理中文乱码
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']

# 画散点图
# 创建一个新的图形，并设置背景色为浅棕色
fig = plt.figure(facecolor='#F5DEB3')
ax = fig.add_subplot(111)
ax.set_facecolor('#F5DEB3')
plt.title("散点图")
plt.scatter(df_AssociationRules["support"], df_AssociationRules["confidence"], s=[lift ** 13 for lift in df_AssociationRules["lift"]], c="#866D0D") # 这里数据可能不太好，所以为了效果明显，所以扩大为了原来的13次方
plt.xlabel('support')
plt.ylabel('confidence')
plt.title('散点图')
plt.show()

2.效果：

小结：

关注我给大家分享更多有趣的知识，以下是个人公众号，提供 ||代码兼职|| ||代码问题求解||
由于本号流量还不足以发表推广，搜我的公众号即可：