高级规则

Python 中的购物篮分析

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

购物篮分析概览

购物篮分析的标准流程。
1. 生成大量规则。
2. 用指标筛选规则。
3. 运用直觉与常识。

生成规则

规则数量随商品数指数增长。
- 大多数规则无用。
必须先做初步筛选。
- 第 3 章用 Apriori 算法讲解

筛选如何进行？

ID	前件	后件	支持度	提升度
1	哈利·波特	饥饿游戏	0.001	1.01
2	饥饿游戏	暮光之城	0.020	1.23
3	傲慢与偏见	霍比特人	0.030	1.05
4	霍比特人	暮光之城	0.015	0.85
5	哈利·波特	霍比特人	0.010	1.07

多指标筛选

ID	前件	后件	支持度	Zhang 指标
1	哈利·波特	饥饿游戏	0.001	-0.05
2	饥饿游戏	暮光之城	0.020	0.17
3	傲慢与偏见	霍比特人	0.030	0.06
4	霍比特人	暮光之城	0.015	-0.04
5	哈利·波特	霍比特人	0.010	0.34

执行多指标筛选

print(rules.head())

  antecedents consequents  antecedent support  ... support  confidence  ... conviction  
0 Potter      Hunger       0.48                ...  0.12  ... 0.26      ...  0.92
1 Potter      Hunger       0.32                ...  0.12  ... 0.26      ...  0.92 
2 Twilight    Hunger       0.26                ...  0.09  ... 0.35      ...  1.04
3 Hunger      Twilight     0.32                ...  0.09  ... 0.28      ...  1.03 
4 Mockingbird Hunger       0.48                ...  0.10  ... 0.20      ...  0.85

执行多指标筛选

# 选择后件支持度较低的规则子集。
rules = rules[rules['consequent support'] < 0.05]
print(len(rules))

# 选择提升度 > 1.5 的规则子集。
rules = rules[rules['lift'] > 1.5]
print(len(rules))

Passons à la pratique !

Python 中的购物篮分析