Identifier des règles d'association

Analyse des paniers d'achat en Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Charger et préparer les données

import pandas as pd

# Load transactions from pandas.
books = pd.read_csv("datasets/bookstore.csv")

# Split transaction strings into lists.
transactions = books['Transaction'].apply(lambda t: t.split(','))

# Convert DataFrame into list of strings.
transactions = list(transactions)
Analyse des paniers d'achat en Python

Explorer les données

print(transactions[:5])

[['language', 'travel', 'humor', 'fiction'],
 ['humor', 'language'],
 ['humor', 'biography', 'cooking'],
 ['cooking', 'language'],
 ['travel']]
Analyse des paniers d'achat en Python

Règles d'association

  • Règle d'association

    • Contient un antécédent et un conséquent
      • {health} $\rightarrow$ {cooking}

  • Règle à antécédents multiples

    • {humor, travel} $\rightarrow$ {language}

  • Règle à conséquents multiples

    • {biography} $\rightarrow$ {history, language}
Analyse des paniers d'achat en Python

Difficulté de sélectionner des règles

  • Trouver des règles utiles est difficile.

    • L'ensemble des règles possibles est vaste.
    • La plupart ne sont pas utiles.
    • Il faut en écarter la majorité.

  • Et si l'on se limitait à des règles simples ?

    • Un seul antécédent et un seul conséquent.
    • Toujours ardu, même pour un petit jeu de données.
Analyse des paniers d'achat en Python

Génération des règles

 

  • fiction
  • poetry
  • history
  • biography
  • cooking

 

  • health
  • travel
  • language
  • humor
Analyse des paniers d'achat en Python

Génération des règles

Règles « Fiction » Règles « Poetry » ... Règles « Humor »
fiction->poetry poetry->fiction ... humor->fiction
fiction->history poetry->history ... humor->history
fiction->biography poetry->biography ... humor->biography
fiction->cooking poetry->cooking ... humor->cooking
... ... ... ...
fiction->humor poetry->humor ...
Analyse des paniers d'achat en Python

Générer des règles avec itertools

from itertools import permutations

# Extract unique items.
flattened = [item for transaction in transactions for item in transaction]
items = list(set(flattened))

# Compute and print rules.
rules = list(permutations(items, 2))
print(rules)

[('fiction', 'poetry'), 
 ('fiction', 'history'),
 ...
 ('humor', 'travel'), 
 ('humor', 'language')]
Analyse des paniers d'achat en Python

Compter les règles

# Print the number of rules
print(len(rules))

72

Le graphique montre le nombre total de règles en fonction du nombre d'articles uniques.

Analyse des paniers d'achat en Python

Pour la suite

# Import the association rules function
from mlxtend.frequent_patterns import association_rules
from mlxtend.frequent_patterns import apriori

# Compute frequent itemsets using the Apriori algorithm
frequent_itemsets = apriori(onehot, min_support = 0.001, 
                            max_len = 2, use_colnames = True)

# Compute all association rules for frequent_itemsets
rules = association_rules(frequent_itemsets, 
                            metric = "lift", 
                             min_threshold = 1.0)
Analyse des paniers d'achat en Python

Passons à la pratique !

Analyse des paniers d'achat en Python

Preparing Video For Download...