关联规则--Apriori算法案例--Python

2021-11-27 19:58:36 阅读：334 来源： 互联网

标签：-- items Apriori print symptoms Python rules df import

数据样本
在这里插入图片描述
数据获取：关注并私信“关联规则案例”

# -*- codeing = utf-8 -*-
# @Time : 2021/11/26 22:41
# @Author : Tancy
# @File : 病例分析-- Apriori算法.py
# @Software : PyCharm

# 1.数据读取
import pandas as pd
df = pd.read_excel('D:\A_学习\数据仓库与数据挖掘\实验\患者病症.xlsx')
# print(df.head())

# 2. 数据预处理

symptoms = []  # 创建一个空列表  病症
# 切分 转化为一个二维数组
for i in df['病人症状'].tolist():
    symptoms.append(i.split(','))
# print(symptoms)

# 将数据转化为布尔类型
from mlxtend.preprocessing import TransactionEncoder
TE = TransactionEncoder() # 构造转换类型
data = TE.fit_transform(symptoms)  # 转换为一个布尔类型的表格
# print(data)

# 将布尔类型的数据存储为DataFrame 格式
import pandas as pd
df = pd.DataFrame(data, columns=TE.columns_)
# print(df.head())

# 3.挖掘频繁项集
from mlxtend.frequent_patterns import apriori
items = apriori(df, min_support=0.15, use_colnames=True)
# print(items)
# print(items[items['itemsets'].apply(lambda x:len(x))==1])
# print(items[items['itemsets'].apply(lambda x:len(x))==2])
# print(items[items['itemsets'].apply(lambda x:len(x))==3])
# print(items[items['itemsets'].apply(lambda x:len(x))==4])

# 4.根据最小置信度，在频繁项集中找强关联规则
from mlxtend.frequent_patterns import association_rules
rules = association_rules(items, min_threshold=0.6)
# print(rules)

# 5.提取关联规则，美化
for i, j in rules.iterrows():
    X = j['antecedents']
    Y = j['consequents']
    x = ', '.join([item for item in X])
    y = ', '.join([item for item in Y])
    print(x + ' → ' + y)

标签：--,items,Apriori,print,symptoms,Python,rules,df,import
来源： https://blog.csdn.net/nefu_TSY/article/details/121582259

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

关联规则--Apriori算法案例--Python