一、问题

医院礼品店已完成5项交易，购买记录清单如表8-3所示，请使用Apriori算法进关联规则分析。

(1)使用数字代替商品完成第3列；

(2)计算购买“鲜花”的支持度；

(3)计算购买“慰问卡”的支持度；

(4)计算同时购买“鲜花”和购买“慰问卡”的支持度和置信度；

(5)使用Python对表8-3中的购买记录清单进行Apriori关联规则分析。

{1：鲜花、2：慰问卡、3：苏打水、4：毛绒玩具熊、5：气球、6：糖果}

二、代码

(1)使用数字代替商品完成第3列；

表 8-3 某医院礼品店购买清单

交易序号	购买礼品清单	使用数字代替
1	鲜花、慰问卡、苏打水	1，2，3
2	毛线玩具熊、鲜花、气球、糖果	4，1，5，6
3	慰问卡、糖果、鲜花	2，6，1
4	毛线玩具熊、气球、苏打水	4，5，3
5	鲜花、慰问卡、苏打水	1，2，3

# （1）使用数字代替商品完成第3列
print('{1：鲜花、2：慰问卡、3：苏打水、4：毛绒玩具熊、5：气球、6：糖果}')
def loadDataSet():#函数，基础知识return[[1,2,3],[4,1,5,6],[2,6,1],[4,5,3],[1,2,3]]
D=loadDataSet()
print(D)

(2)计算购买“鲜花”的支持度；

# （2）计算购买“鲜花”的支持度
# 1-项集C1
def createC1(dataSet):C=[]for transaction in dataSet:for item in transaction:if [item] not in C:C.append([item])C.sort()return list(map(frozenset,C))C1=createC1(D)
# print('C1:',C1)# 输出频繁1-项集ret1、所有1-项集的支持度suD
def scanD(D,Ck,minSupport):ssCnt={}for tid in D:for can in Ck:if can.issubset(tid):ssCnt[can]=ssCnt.get(can,0)+1numItems=float(len(D))retList=[]supportData={}for key in ssCnt:support=ssCnt[key]/numItemsif support>=minSupport:retList.insert(0,key)supportData[key]=supportreturn retList,supportDataret1,suD=scanD(loadDataSet(),createC1(loadDataSet()),0.22)
# print('ret1:',ret1)
# print('suD:',suD)
print('购买“鲜花”的支持度{}。'.format(suD[frozenset({1})]))

(3)计算购买“慰问卡”的支持度；

# （3）计算购买“慰问卡”的支持度
# 1-项集C1
def createC1(dataSet):C=[]for transaction in dataSet:for item in transaction:if [item] not in C:C.append([item])C.sort()return list(map(frozenset,C))C1=createC1(D)
# print('C1:',C1)# 输出频繁1-项集ret1、所有1-项集的支持度suD
def scanD(D,Ck,minSupport):ssCnt={}for tid in D:for can in Ck:if can.issubset(tid):ssCnt[can]=ssCnt.get(can,0)+1numItems=float(len(D))retList=[]supportData={}for key in ssCnt:support=ssCnt[key]/numItemsif support>=minSupport:retList.insert(0,key)supportData[key]=supportreturn retList,supportDataret1,suD=scanD(loadDataSet(),createC1(loadDataSet()),0.22)
# print('ret1:',ret1)
# print('suD:',suD)
print('购买“慰问卡”的支持度{}。'.format(suD[frozenset({2})]))

(4)计算同时购买“鲜花”和购买“慰问卡”的支持度和置信度；

# （4）计算同时购买“鲜花”和购买“慰问卡”的支持度和置信度
# 生成2-项集
def aprioriGen(Ck,k):retList=[]lenCk=len(Ck)for i in range(lenCk):for j in range(i+1,lenCk):L1=list(Ck[i])[:k-2]L2=list(Ck[j])[:k-2]L1.sort()L2.sort()if L1 == L2:retList.append(Ck[i]|Ck[j])return retListret2=aprioriGen(C1,2)
# print('ret2:',ret2)# 所有2-项集的支持度suD2
def apriori(D,minSupport):C1=createC1(D)L1,suppData=scanD(D,C1,minSupport)L=[L1]k=2while(len(L[k-2])>0):Ck=aprioriGen(L[k-2],k)Lk,supK=scanD(D,Ck,minSupport)suppData.update(supK)L.append(Lk)k+=1return L,suppDataL1,suD2=apriori(D,0.22)
# print('L1:',L1)
# print('suD2:',suD2) # 计算规则的置信度
def calcConf(freqSet,H,supportData,brl,minConf=0.7):prunedH=[]for conseq in H:conf=supportData[freqSet]/supportData[freqSet-conseq]if conf >= minConf:# print(freqSet-conseq,'-->',conseq,'conf:',conf)brl.append((freqSet - conseq,conseq,conf))prunedH.append(conseq)return prunedH#对频繁项集中元素超过2的项集进行合并
def rulesFromConseq(freqSet,H,supportData,brl,minConf=0.7):m=len(H[0])if len(freqSet)>m+1:Hmp1=aprioriGen(H,m+1)Hmp1=calcConf(freqSet,Hmp1,supportData,brl,minConf)if len(Hmp1)>1:rulesFromConseq(freqSet,Hmp1,supportData,brl,minConf)# 满足最小置信度要求的规则
def generateRules(L,supportData,minConf=0.7):bigRuleList=[]for i in range(1,len(L)):for freqSet in L[i]:H1=[frozenset([item]) for item in freqSet]if i>1:rulesFromConseq(freqSet,H1,supportData,bigRuleList,minConf)else:calcConf(freqSet,H1,supportData,bigRuleList,minConf)return bigRuleListbRlist=generateRules(L1,suD2,0.1)
print('同时购买“鲜花”和购买“慰问卡”的支持度为{}。'.format(suD2[ frozenset({1, 2})]))
print('同时购买“鲜花”和购买“慰问卡”的支持度为：')
print('frozenset({2}) --> frozenset({1}) conf: 1.0')
print('frozenset({1}) --> frozenset({2}) conf: 0.7499999999999999')

(5)使用Python对表8-3中的购买记录清单进行Apriori关联规则分析。

# （4）使用Python对表8-3中的购买记录清单进行Apriori关联规则分析
# 生成2-项集
def aprioriGen(Ck,k):retList=[]lenCk=len(Ck)for i in range(lenCk):for j in range(i+1,lenCk):L1=list(Ck[i])[:k-2]L2=list(Ck[j])[:k-2]L1.sort()L2.sort()if L1 == L2:retList.append(Ck[i]|Ck[j])return retListret2=aprioriGen(C1,2)
# print('ret2:',ret2)# 所有2-项集的支持度suD2
def apriori(D,minSupport):C1=createC1(D)L1,suppData=scanD(D,C1,minSupport)L=[L1]k=2while(len(L[k-2])>0):Ck=aprioriGen(L[k-2],k)Lk,supK=scanD(D,Ck,minSupport)suppData.update(supK)L.append(Lk)k+=1return L,suppDataL1,suD2=apriori(D,0.22)
# print('L1:',L1)
# print('suD2:',suD2) # 计算规则的置信度
def calcConf(freqSet,H,supportData,brl,minConf=0.7):prunedH=[]for conseq in H:conf=supportData[freqSet]/supportData[freqSet-conseq]if conf >= minConf:# print(freqSet-conseq,'-->',conseq,'conf:',conf)brl.append((freqSet - conseq,conseq,conf))prunedH.append(conseq)return prunedH#对频繁项集中元素超过2的项集进行合并
def rulesFromConseq(freqSet,H,supportData,brl,minConf=0.7):m=len(H[0])if len(freqSet)>m+1:Hmp1=aprioriGen(H,m+1)Hmp1=calcConf(freqSet,Hmp1,supportData,brl,minConf)if len(Hmp1)>1:rulesFromConseq(freqSet,Hmp1,supportData,brl,minConf)# 满足最小置信度要求的规则
def generateRules(L,supportData,minConf=0.7):bigRuleList=[]for i in range(1,len(L)):for freqSet in L[i]:H1=[frozenset([item]) for item in freqSet]if i>1:rulesFromConseq(freqSet,H1,supportData,bigRuleList,minConf)else:calcConf(freqSet,H1,supportData,bigRuleList,minConf)return bigRuleListbRlist=generateRules(L1,suD2,0.1)print('bRlist:',bRlist)

Python金融数据挖掘第八章复习思考题1相关推荐

Python金融数据挖掘第八章复习思考题2
一.问题设有一份购物篮数据basketdata.txt,包括两部分内容. 第一部分是1000名顾客的个人信息,含7个变量:会员卡号(cardid).消费金额(value).支付方式(pmethod) ...
Python金融数据挖掘第八章第1节 Apriori算法原理（2）
一.目标 1.了解关联规则算法的研究对象.意义和应用场景 2.掌握支持度与置信度的概念及计算方法 3.掌握关联规则算法的项目空间集裁剪方法 4.掌握Apriori算法的原理和实现方法二.关联规则 1 ...
大学学python在金融中的应用_《Python金融数据挖掘及其应用》教学大纲
< python 金融数据挖掘及其应用> 课程教学大纲课程代码: 学分: 5 学时: 80 (其中:讲课学时: 60 实践或实验学时: 20 ) 先修课程:数学分析.高等代数.概率 ...
Python金融数据挖掘第7章复习思考题 3
3.有'手机垃圾短信'数据集,将其放在文件中:sms_spam.csv,该文件共有5537行,2列,分别是类型(type,ham为非垃圾短信,spam为垃圾短信)和内容(text,短信的具体内容). ...
Python金融数据挖掘第11章复习思考题1 (聚类）给出一个数据集data_multivar.txt，里面有200个点坐标，在平面坐标系下可以画出它的散点图，用K均值聚类算法来训练模型，分4类。
1.题目给出一个数据集data_multivar.txt,里面有200个点坐标,在平面坐标系下可以画出它的散点图,如图11-12所示. data_multivar.txt 图11-12 数据集 da ...
Python金融数据挖掘第7章第3节 (7) 案例：基于股评文本的情绪分析
1.特征词表示一篇文本,矩阵数据,聚类.分类.预测 2.情绪.情感分析情感值.舆论文本.文本数据,来源管,新闻.情感倾向:存在误差,不准确 3.基于股评文本的情绪分析 #网络舆情,判断指数走向 3 ...
Python金融数据挖掘第7章第2节（5）高频词
1.长度文本长度:按照字数.标点符号.中英文分词长度:词数,列表:list 预处理--统计词频.词,矩阵数据--深入分析,二维表,记录(文本).字段(词) 2.引入库 import jieba i ...
Python金融数据挖掘
一.随便说说? 使用底层code构建(包.模块--模板). 实验是干啥的呀?我也不知道,yinweimeiyoutingke. def 层层封装: 1.欧式距离计算(手工计算.) 2.数学语言到机器语 ...
基于北京市各区二手房的数据分析（金融数据挖掘Python）
目录 1 研究背景与研究意义...................................................................................... ...

Python金融数据挖掘第八章复习思考题1

一、问题

二、代码

(1)使用数字代替商品完成第3列；

(2)计算购买“鲜花”的支持度；

(3)计算购买“慰问卡”的支持度；

(4)计算同时购买“鲜花”和购买“慰问卡”的支持度和置信度；

(5)使用Python对表8-3中的购买记录清单进行Apriori关联规则分析。

Python金融数据挖掘第八章复习思考题1相关推荐

最新文章

热门文章

Python金融数据挖掘 第八章 复习思考题1

一、问题

二、代码

(1)使用数字代替商品完成第3列；

(2)计算购买“鲜花”的支持度；

(3)计算购买“慰问卡”的支持度；

(4)计算同时购买“鲜花”和购买“慰问卡”的支持度和置信度；

(5)使用Python对表8-3中的购买记录清单进行Apriori关联规则分析。

Python金融数据挖掘 第八章 复习思考题1相关推荐

最新文章

热门文章

Python金融数据挖掘第八章复习思考题1

Python金融数据挖掘第八章复习思考题1相关推荐