关联分析：R与SAS的比较
啤酒和尿布的故事是关联分析方法最经典的案例，而用于关联分析的Apriori算法更是十大数据挖掘算法之一（ http://www.cs.uvm.edu/~icdm/algorithms/index.shtml，这个排名虽然是几年前的调查结果，但是其重要性仍可见一斑）。本文以《 R and Data Mining》书中使用的泰坦尼克号人员的生存数据为例，介绍如何使用R和SAS的Apriori算法进行关联分析，比较两者的建模结果并对结果中存在的差异进行解释分析。
一、关联分析
网上有很多资料介绍关联分析算法，本文就不再赘述。我自己看的是《Introduction to Data Mining》(有对应的中文版，人民邮电出版社的《 数据挖掘导论》)，愿意看英文的同学可以访问： http://www-users.cs.umn.edu/~kumar/dmbook/ch6. pdf。网上其他的资料我也大致翻过，对比之后感觉这本书是一本相当不错的教材，算法方面介绍地比较全面且有一定深度。我本人不建议大家去看那些非专业人士总结的关联分析算法介绍，虽然浅显易懂，但是内容片面，容易误导初学者，错把树木当成了森林。
对于关联分析在行业应用中的经验分享、初学者的误区和最佳实践方面的资料很少，唯一能找到的一本好书是清华大学出版社的《 啤酒与尿布》，主要介绍购物篮分析在零售行业的应用。我始终认为分析师除了算法和软件，还需要了解行业背景，不然挖出的只是模式，而不是切实可行并且能带来商业价值的模式，甚至还有可能是错误的模式。
二、软件
我只用过R和SAS，其他的软件没碰过，所以只能对这两个软件进行比较。
| 算法 | R/ARULES | SAS/EM |
| Apriori | Yes | Yes |
| ECLAT | Yes | No |
| FP-Growth | No | No |
据网友说Excel也能做关联分析，但是因为其对数据进行了抽样，所以每次运行的结果都不一样。SPSS的Modeler不知道怎么样，有用过的同学请分享一下经验，最好使用泰坦尼克号的数据进行分析，这样可以比较一下各软件的结果是否相同。
三、R的代码和结果
R的代码主要来自《 R and Data Mining》，我只加了下载数据的代码和对代码的中文说明。
1）下载泰坦尼克数据
setInternet2(TRUE)
con <- url(“ http://www.rdatamining.com/data/titanic.raw.rdata“)
load(con)
close(con) # url() always opens the connection
str(titanic.raw)
2）关联分析
library(arules)
# find association rules with default settings
rules <- apriori(titanic.raw)
inspect(rules)
3）只保留结果中包含生存变量的关联规则
# rules with rhs containing “Survived” only
rules <- apriori(titanic.raw, parameter = list(minlen=2, supp=0.005, conf=0.8), appearance = list(rhs=c(“Survived=No”, “Survived=Yes”), default=”lhs”),control = list(verbose=F))
rules.sorted <- sort(rules, by=”lift”)
inspect(rules.sorted)
R 总共生成了12条跟人员生存相关的规则：
lhs rhs support confidence lift
1 {Class=2nd, Age=Child} => {Survived=Yes}
0.010904134 1.0000000 3.095640
2 {Class=2nd, Sex=Female, Age=Child} => {Survived=Yes}
0.005906406 1.0000000 3.095640
3 {Class=1st, Sex=Female} => {Survived=Yes}
0.064061790 0.9724138 3.010243
4 {Class=1st, Sex=Female, Age=Adult} => {Survived=Yes}
0.063607451 0.9722222 3.009650
5 {Class=2nd, Sex=Male, Age=Adult} => {Survived=No}
0.069968196 0.9166667 1.354083
6 {Class=2nd, Sex=Female} => {Survived=Yes}
0.042253521 0.8773585 2.715986
7 {Class=Crew, Sex=Female} => {Survived=Yes}
0.009086779 0.8695652 2.691861
8 {Class=Crew, Sex=Female, Age=Adult} => {Survived=Yes}
0.009086779 0.8695652 2.691861
9 {Class=2nd, Sex=Male} => {Survived=No}
0.069968196 0.8603352 1.270871
10 {Class=2nd, Sex=Female, Age=Adult} => {Survived=Yes}
0.036347115 0.8602151 2.662916
11 {Class=3rd, Sex=Male, Age=Adult} => {Survived=No}
0.175829169 0.8376623 1.237379
12 {Class=3rd, Sex=Male} => {Survived=No}
0.191731031 0.8274510 1.222295
4）去除冗余的规则
# find redundant rules
subset.matrix <- is.subset(rules.sorted, rules.sorted)
subset.matrix[lower.tri(subset.matrix, diag=T)] <- NA
redundant <- colSums(subset.matrix, na.rm=T) >= 1
which(redundant)
# remove redundant rules
rules.pruned <- rules.sorted[!redundant]
inspect(rules.pruned)
去除冗余的规则后剩下8条规则：
lhs rhs support confidence lift
1 {Class=2nd, Age=Child} => {Survived=Yes}
0.010904134 1.0000000 3.095640
2 {Class=1st, Sex=Female} => {Survived=Yes}
0.064061790 0.9724138 3.010243
3 {Class=2nd, Sex=Female} => {Survived=Yes}
0.042253521 0.8773585 2.715986
4 {Class=Crew, Sex=Female} => {Survived=Yes}
0.009086779 0.8695652 2.691861
5 {Class=2nd, Sex=Male, Age=Adult} => {Survived=No}
0.069968196 0.9166667 1.354083
6 {Class=2nd, Sex=Male} => {Survived=No}
0.069968196 0.8603352 1.270871
7 {Class=3rd, Sex=Male, Age=Adult} => {Survived=No}
0.175829169 0.8376623 1.237379
8 {Class=3rd, Sex=Male} => {Survived=No}
0.191731031 0.8274510 1.222295
5）结果的解释
对于结果的解释，一定要慎重，千万不要盲目下结论。从下面的四条规则看，好像确实像电影中描述的那样：妇女和儿童优先。
1 {Class=2nd, Age=Child} => {Survived=Yes} 0.010904134 1.0000000 3.095640
2 {Class=1st, Sex=Female} => {Survived=Yes} 0.064061790 0.9724138 3.010243
3 {Class=2nd, Sex=Female} => {Survived=Yes} 0.042253521 0.8773585 2.715986
4 {Class=Crew, Sex=Female} => {Survived=Yes} 0.009086779 0.8695652 2.691861
如果我们减小最小支持率和置信度的阈值，则能看到更多的真相。
rules <- apriori(titanic.raw, parameter = list(minlen=3, supp=0.002, conf=0.2), appearance = list(rhs=c(“Survived=Yes”), lhs=c(“Class=1st”, “Class=2nd”, “Class=3rd”, “Age=Child”, “Age=Adult”), default=”none”), control = list(verbose=F))
rules.sorted <- sort(rules, by=”confidence”)
inspect(rules.sorted)
lhs rhs support confidence lift
1 {Class=2nd, Age=Child} => {Survived=Yes} 0.010904134 1.0000000 3.0956399
2 {Class=1st, Age=Child} => {Survived=Yes} 0.002726034 1.0000000 3.0956399
3 {Class=1st, Age=Adult} => {Survived=Yes} 0.089504771 0.6175549 1.9117275
4 {Class=2nd, Age=Adult} => {Survived=Yes} 0.042707860 0.3601533 1.1149048
5 {Class=3rd, Age=Child} => {Survived=Yes} 0.012267151 0.3417722 1.0580035
6 {Class=3rd, Age=Adult} => {Survived=Yes} 0.068605179 0.2408293 0.7455209
从规则3和规则5以及之前的规则2和3可以看出泰坦尼克号获得优先权的主要是头等舱、二等舱的妇孺。
据统计，头等舱男乘客的生还率比三等舱中儿童的生还率还稍高一点。美国新泽西州州立大学教授、著名社会学家戴维·波普诺研究后毫不客气地修改了曾使英国人颇感“安慰”的“社会规范”(妇女和儿童优先)：“在泰坦尼克号上实践的社会规范这样表述可能更准确一些：‘头等舱和二等舱的妇女和儿童优先’。”
这些是关于泰坦尼克号生存数据分析的资料：
泰坦尼克号逃生真相：“妇女儿童优先”只是个传说
历史没有那么温暖
6）可视化
# visualize rules
library(arulesViz)
plot(rules)
plot(rules, method=”graph”, control=list(type=”items”))
plot(rules, method=”paracoord”, control=list(reorder=TRUE))
对于不熟悉R的SAS用户，可以阅读以下资料学习R以及ARULES包：
http://cran.r-project.org/web/packages/arules/vignettes/arules.pdf
https://science.nature.nps.gov/im/datamgmt/statistics/R/documents/R_for_SAS_SPSS_users.pdf
四、SAS代码和结果
1）下载泰坦尼克数据
proc iml;
submit /R;
setInternet2(TRUE)
con <- url( http://www.rdatamining.com/data/titanic.raw.rdata)
load(con)
close(con) # url() always opens the connection
endsubmit;
call ImportDataSetFromR(“Work.titanic”, “titanic.raw”);
run; quit;
2）将数据转换成SAS/EM要求的格式
data items2;
set titanic;
length tid 8;
length item $ 8;
tid = _n_;
item = class;
output;
item = sex;
output;
item = age;
output;
item = survived;
output;
keep tid item;
run;
3）关联分析
proc dmdb data=items2 dmdbcat=dbcat;
class tid item;
run; quit;
proc assoc data=items2 dmdbcat=dbcat pctsup= 0.5 out=frequentItems;
id tid;
target item;
run;
proc rulegen in=frequentItems dmdbcat=dbcat out=rules minconf= 80;
run ;
proc sort data=rules;
by descending conf;
run ;
4） 只保留结果中包含生存变量的关联规则
data surviverules;
set rules(where=(set_size> 1 and (_rhand=‘Yes’ or _rhand=‘No’)));
run;
proc print data=surviverules;
var conf support lift rule ;
run ;
SAS 结果:
| Obs | CONF | SUPPORT | LIFT | RULE |
|---|---|---|---|---|
| 1 | 100.00 | 1.09 | 3.10 | 2nd & Child ==> Yes |
| 2 | 100.00 | 0.59 | 3.10 | 2nd & Child & Female ==> Yes |
| 3 | 100.00 | 0.50 | 3.10 | 2nd & Child & Male ==> Yes |
| 4 | 97.24 | 6.41 | 3.01 | 1st & Female ==> Yes |
| 5 | 97.22 | 6.36 | 3.01 | 1st & Adult & Female ==> Yes |
| 6 | 91.67 | 7.00 | 1.35 | 2nd & Adult & Male ==> No |
| 7 | 87.74 | 4.23 | 2.72 | 2nd & Female ==> Yes |
| 8 | 86.96 | 0.91 | 2.69 | Crew & Female ==> Yes |
| 9 | 86.96 | 0.91 | 2.69 | Adult & Crew & Female ==> Yes |
| 10 | 86.03 | 7.00 | 1.27 | 2nd & Male ==> No |
| 11 | 86.02 | 3.63 | 2.66 | 2nd & Adult & Female ==> Yes |
| 12 | 83.77 | 17.58 | 1.24 | 3rd & Adult & Male ==> No |
| 13 | 82.75 | 19.17 | 1.22 | 3rd & Male ==> No |
有关SAS/EM关联分析的公开资料很少，产品的在线帮助文档大概从4.3以后的版本就设置了访问权限，只有SAS/EM的用户才能阅读，新版本的功能和界面跟4.3版本有很大差别。这里只能给大家一些4.3的帮助文档，主要是上面代码中用到的几个过程步： http://support.sas.com/documentation/onlinedoc/miner/em43/dmdb.pdf
http://support.sas.com/documentation/onlinedoc/miner/em43/assoc.pdf
http://support.sas.com/documentation/onlinedoc/miner/em43/sequence.pdf
http://support.sas.com/documentation/onlinedoc/miner/em43/rulegen.pdf
mbscore(购物篮数据的预测，是EM 6.1/SAS 9.2 时新引入的过程步，支持层次关联<Hierarchical Association>)
五、结果比较
从上面的结果看，R生成了12条规则，而SAS生成了13条规则，对比每条规则后，发现SAS的第3条规则在R中没有。
| 3 | 100.00 | 0.50 | 3.10 | 2nd & Child & Male ==> Yes |
|---|
我猜测原因是两个软件对最小支持度的处理不太一样，SAS可能是对最小支持度百分比乘以总记录条数后取整了。此处，泰坦尼克数据总共有2201条记录，最小支持度百分比为 0.5%，两者相乘积为11.005，而 2nd & Child & Male ==> Yes 这条规则总共出现过11次，如果严格按照实数大小比较，不应该出现在最后的结果中，但是如果按照整数部分比较，则结果正确。打算将SAS模型切换到R或者将R模型切换到SAS的同学要注意这个差异，结果有时不完全一样！
data min_support;
set frequentItems;
if count=int(2201*0.005);
run ;
proc print data=min_support;
run; quit;
| Obs | SET_SIZE | COUNT | ITEM1 | ITEM2 | ITEM3 | ITEM4 | ITEM5 | ITEM6 |
|---|---|---|---|---|---|---|---|---|
| 1 | 3 | 11 | 2nd | Child | Male | |||
| 2 | 4 | 11 | 2nd | Child | Male | Yes |
相比SAS，R关联分析中比较吸引人的功能就是从规则集中去除冗余的规则，这一功能SAS里面好像没有（我没找到）。SAS用户如果想要使用R的这个功能，我找到的唯一办法就是将SAS的关联规则导出成PMML文件，然后再将PMML文件导入R生成对应的Rule对象，但是这个方法因为我的环境有点问题，所以我自己没试。
有兴趣的同学，可以看看下面的资料：
1） 如何将PMML文件导入R生成Rule对象？
2） 如何在SAS EMM 中使用PMML？
附：PMML技术的未来
对于模型的部署和使用，尤其是跨软件、平台的使用场景下或者对于大数据的分析，PMML是一个可行的解决方案，有一些厂商已经在自己的产品中通过PMML这种方式来实现对大数据的分析预测。
Zementis：
Deploying Predictive Analytics with PMML, R evolution R, and ADAPA
PMML: Accelerating the Time to Value for Predictive Analytics in the Big Data Era
IBM： Database Mining Guide