Filtrare avansată a rezultatelor Apriori

Analiza coșului de cumpărături în Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Aplicații

Promovare încrucișată

Această imagine prezintă un exemplu de promovare încrucișată.

Agregare

Această imagine prezintă un exemplu de agregare.

Algoritmul Apriori

Listă de liste

Această imagine prezintă un exemplu de listă de liste a articolelor din tranzacții.

Codificare One-Hot

Această imagine prezintă codificarea one-hot a tranzacțiilor.

Algoritmul Apriori

Această imagine ilustrează aplicarea algoritmului Apriori pe un set generic de 4 articole.

Algoritmul Apriori

import pandas as pd
import numpy as np
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori

itemsets = np.load('itemsets.npy')
print(itemsets)

[['EASTER CRAFT 4 CHICKS'],
['CERAMIC CAKE DESIGN SPOTTED MUG', 'CHARLOTTE BAG APPLES DESIGN'],
['SET 12 COLOUR PENCILS DOLLY GIRL'],
...
['JUMBO BAG RED RETROSPOT', ... 'LIPSTICK PEN FUSCHIA']]

Algoritmul Apriori

# One-hot encode data
encoder = TransactionEncoder()
onehot = encoder.fit(itemsets).transform(itemsets)
onehot = pd.DataFrame(onehot, columns = encoder.columns_)

# Apply Apriori algorithm and print
frequent_itemsets = apriori(onehot, use_colnames=True, min_support=0.001)
print(frequent_itemsets)

      support                                           itemsets
0    0.001504                               ( DOLLY GIRL BEAKER)
1    0.002256                         ( RED SPOT GIFT BAG LARGE)
...
428  0.001504  (BIRTHDAY CARD, RETRO SPOT, JUMBO BAG RED RETR...

Rezultatele algoritmului Apriori

print(len(data.columns))

print(len(frequent_itemsets))

rules = association_rules(frequent_itemsets)

Reguli de asociere

print(rules['consequents'])

0                   (DOTCOM POSTAGE)
                        ... 
9                 (HERB MARKER THYME)
                        ...
234        (JUMBO BAG RED RETROSPOT)
235         (WOODLAND CHARLOTTE BAG)
236    (RED RETROSPOT CHARLOTTE BAG)
237       (STRAWBERRY CHARLOTTE BAG)
238      (CHARLOTTE BAG SUKI DESIGN)
Name: consequents, Length: 239, dtype: object

Filtrare cu metrici multiple

targeted_rules = rules[rules['consequents'] == {'HERB MARKER THYME'}].copy()

filtered_rules = targeted_rules[(targeted_rules['antecedent support'] > 0.01) &
                        (targeted_rules['support'] > 0.009) &
                        (targeted_rules['confidence'] > 0.85) &
                        (targeted_rules['lift'] > 1.00)]

print(filtered_rules['antecedents'])

9        (HERB MARKER BASIL)
25     (HERB MARKER PARSLEY)
27    (HERB MARKER ROSEMARY)
Name: antecedents, dtype: object

Gruparea produselor

Imaginea prezintă un plan al magazinului în care cutiile sunt grupate cu genți și panourile cu lumânări.

Imaginea prezintă un plan al magazinului în care cutiile sunt grupate cu lumânări și panourile cu genți.

Imaginea prezintă un plan al magazinului în care cutiile sunt grupate cu panouri și lumânările cu genți.

Agregare și disociere

# Load aggregated data
aggregated = pd.read_csv('datasets/online_retail_aggregated.csv')

# Compute frequent itemsets
onehot = encoder.fit(aggregated).transform(aggregated)
data = pd.DataFrame(onehot, columns = encoder.columns_)
frequent_itemsets = apriori(data, use_colnames=True)

# Compute standard metrics
rules = association_rules(frequent_itemsets)

# Compute Zhang's rule
rules['zhang'] = zhangs_rule(rules)

Regula lui Zhang

# Print rules that indicate dissociation
print(rules[rules['zhang'] < 0][['antecedents','consequents']])

  antecedents consequents
2       (bag)    (candle)
3    (candle)       (bag)
4      (sign)       (bag)
5       (bag)      (sign)

Selectarea unui plan de magazin

Imaginea prezintă un plan al magazinului în care cutiile sunt grupate cu genți și panourile cu lumânări.

Să exersăm!

Analiza coșului de cumpărături în Python