数据挖掘入门系列教程(一)之亲和性分析
数据挖掘入门系列教程(一)之亲和性分析
教程系列简介
系列地址:https://www.cnblogs.com/xiaohuiduan/category/1661541.html
该教程为入门教程,为博主学习数据挖掘的学习路径步骤。教程为入门教程,从最简单的开始。使用的编程语言为Python3.8.1,使用JupyterNotebook作为开发环境(使不使用JupyterNotebook都没有关系)。
在学习本教程之前,你需要:
什么是数据挖掘, 相信点击进入这篇博客的人都应该知道了吧。通俗的说就是挖掘数据所蕴含的含义,寻找数据之间的关系。
下面将以最简单的亲和性分析来开始吧。
亲和性分析
相信大家都听说过一个例子:
在美国的零售业有着这样一个传奇故事,沃尔玛百货将他们的纸尿裤和啤酒并排摆在一起销售,结果纸尿裤和啤酒的销量双双增长!
什么是亲和性分析呢?亲和性分析根据样本个体之间的关系,确定它们关系的亲疏。举一个简单的应用:顾客去超市买了一个苹果,那么他会不会很大的可能性去买香蕉呢?
首先,我们得有一个数据集:
这个是一个很简单的商品交易数据集,简单到它只有100条数据,尽管数据比较少,but我们用来学习一下还是可以的。
数据集的含义:
如果看一行的话,每一行如(0,1,0,0,1)可以代表每一条交易包含的商品,0代表没有购买,1代表购买。每一列代表一种商品。
那么我们需要找出他的什么数据含义规则呢?“如果一个顾客购买了商品A,则他很可能购买商品B”。找到这种规则很简单,找出交易数据中同时购买A商品和B商品的记录,然后与总的交易数量相比较即可。
规则有优劣,这里有两种衡量标准,支持度
和置信度
。(如果商品交易数据)
- 支持度:支持度指的是数据集中规则应验的次数。(商品交易中同时买A商品和B商品的交易数量【支持度也可以为次数/交易总量】)
- 置信度:置信度代表的是规则的准确性如何。(以例子来说,就是如果既买A商品又买B商品的数量除以买A商品的数量)
代码实现
使用的库如下:
- numpy
- collections
数据集在这里:data
首先我们需要加载数据集,数据的文件名为affinity_dataset.txt
:
import numpy as np data_filename = "affinity_dataset.txt" datas = np.loadtxt(data_filename) # 列的属性 features = ["面包", "牛奶", "黄油", "苹果", "香蕉蕉"]
数据集我们已经加载完毕,为了得到商品A和商品B的数据,在python中也就是(商品A,商品B)元组,我们需要进行遍历,然后将数据保存下来。
现在让我们来计算置信度。我们使用valid_rules
字典来保存商品A和商品B同时存在的记录,使用invalid_rules
来保存当商品A存在时,但是商品B不存在的记录。
valid_rules = defaultdict(int) invalid_rules = defaultdict(int)
我们使用defaultdict来创建字典而不是使用常用的方式是因为:
这样的好处是即使在没有这个key的时候,它也会返回默认的值0。
我们定义一个方法,目的是为了统计A,B之间的关系。
# A 和 B之间的联系,返回购买A商品的数量 def connect(indexA, indexB): buy_A_num = 0 for sample in datas: if sample[indexA] == 0: continue buy_A_num += 1 if(sample[indexB] == 1): valid_rules[(indexA, indexB)] += 1 else: invalid_rules[(indexA, indexB)] += 1 return buy_A_num
方法,我们就可以获得需要的数据,现在我们可以计算置信度了。
def get_confidence(): confidence = defaultdict(float) for premise, feature in valid_rules.keys(): rule = (premise, feature) confidence[rule] = valid_rules[rule] / (valid_rules[rule]+invalid_rules[rule]) print("购买{0}后同时{1}的置信度为:{2:0.3f}".format(features[rule[0]],features[rule[1]],confidence[rule])) return confidence
当然支持度怎么算,这个就太简单了,就是valid_rules
里面的value除以数据总量即可,就不展示了。
运行代码,使用for循环将所有的关系都找出来,然后计算置信度:
if __name__ == "__main__": for i in range(len(features)): for j in range(len(features)): if(i == j): continue connect(i,j) confidence = get_confidence()
最后结果如下所示:
同样我们可以对置信度进行排序,字典的items()函数返回包含字典所有元素的列表。itemgetter(1)表示以字典各元素的值(这里为置信度)作为排序依据,reverse=True表示降序排列。
from operator import itemgetter sort_dict = sorted(confidence.items(),key=itemgetter(1),reverse=True) for index in range(5): rule = sort_dict[index][0] print("购买{0}后同时{1}的置信度为:{2:0.3f}".format(features[rule[0]],features[rule[1]],confidence[rule]))
结果如下图所示:
项目地址:github
参考书籍:Python数据挖掘入门与实践