1.创建DataFrame对象
传入数据可以是字典和嵌套列表。字典的创建为DataFrame对象的列名，值为数据
列表元素作为DataFrame对象的行数据显示，从0开始
pd.DataFrame(data,columns=[‘ ‘,’ ‘,’ ‘]),columns为列表时，与传入DataFrame列表元素长度一致。
对列索引（列名）进行重新赋值。data.columns = [‘a’,’b’,’c’]——（新列名）
2.默认按升序对数据进行排列：
data.sort_values(by=’列名’)
单列排序：data[‘列名’].sort_values()
3.重置索引
参数说明示例drop布尔值：默认为False，保留原索引；值为True，去掉原索引data.reset_index(drop=True)
4.数值四舍五入
data[‘列名’]=round(data[‘列名’]，2)
round(data,ndigits)函数，data为要进行四舍五入的数据，ndigits为要保留的小数位数，默认为0
5.agg()方法
定义函数 new_func()(函数名随意)
使用agg()方法将操作列的每个数据传入new_func()函数进行计算，并取得函数的返回值
传入自定义函数时，只需要写上函数名，不需要加上括号以及函数参数。agg(new_func)
方法内传入字典:dict={‘columns’:’sum’,’columns’:’mean’}
eg:data.groupby(‘名称’).agg(dict)
1.①：关联分析
各组数据之间的联系
交易中不同物品可称为一个项，k个项组成的项集，叫k项集，项集内不存在相同的项
每条交易记录可称为一个事务
②：支持度：
项集在事务中出现的概率（频率）
{X}的支持度={X}在事务中出现的次数 / 事务总数
人为设定支持度，名为最小支持度>=最小支持度的项集被称为频繁项集。
③：关联规则
探索数据之间的联系（某种关联）
{X}（前件）—–>{Y}（后件）（X和Y之间存在相同项）
④：置信度
衡量关联关系的可靠程度，在前件出现的情况下，后件出现的概率。
关联规则{X}—–>{Y}的置信度={X,Y}的支持度 / {X}的支持度
人为设定置信度，名为最小置信度>=最小置信度叫做强关联规则
⑤：提升度
事务各自的影响程度
{X}—->{Y}的提升度={X}—->{Y}的置信度 / {Y}的支持度
={X,Y}的支持度 / {X}、{Y}的支持度
提升度
参数含义transactions事务集合min_support最小支持度min_confidence最小置信度min_lift最小提升度
导入apyori模块下apriori函数
from apyori import apriori
是一个生成器对象，通过循环遍历访问其数据。
关系记录：RelationRecord:频繁项集，支持度，统计列表（ordered_statistics)
核心算法
list1 = []
for result in results:
support = round(result.support,3)
for rule in result.ordered_statistics:
head_set = list(rule,items_base)
tail_set = list(rule,items_add)
if head_set == []:continue
related_catogory = str(head_set) + '--->' + str(tail_set)
confidence = round(rule.confidence,3)
lift = round(rule.lift,3)
list1.append(related_catogory,support,confidence,lift)
Original: https://blog.csdn.net/doarwh/article/details/117278954
Author: 小枍~
Title: Apriori算法进行关联分析
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/678725/
转载文章受原作者版权保护。转载请注明原作者出处！