Skip to main content

Python数据挖掘入门 - 亲和性分析示例(Affinity analysis)

Python数据挖掘入门 - 亲和性分析示例(Affinity analysis)

# 亲和性分析示例

亲和性分析是根据样本个体之间的相似度,确定它们关系的亲疏。

比如:向网站用户提供多样化的服务或定向投放广告

亲和性还有多种测量方法,比如,统计两件商品一起出售的概率,或者统计用户购买了商品1后再购买商品2的比率。

下面具体分析下如何计算个体之间的相似度。

场景:

一个人去超市买东西,买了面包后又买了牛奶。

作为数据挖掘入门性质的例子,我们希望得到下面这样的规则:

“如果一个人买了商品X,那么他可能购买Y”

下面我们导入具体的数据集

import numpy as np
dataset_filename = "dataset.txt"
datas = np.loadtxt(dataset_filename)
n_samples, n_features = data.shape
print(n_samples) # 行数
print(n_features) # 列数

输出

    100
    5

dataset.txt的文件请从后面提供的git地址上下载

print(datas[:5])

输出

    [[0. 0. 1. 1. 1.]
     [1. 1. 0. 1. 0.]
     [1. 0. 1. 1. 0.]
     [0. 0. 1. 1. 1.]
     [0. 1. 0. 0. 1.]]

每行代表用户每次购买的5个商品

假设每列分别代表面包、牛奶、奶酪、苹果和香蕉

比如第一行是[0. 0. 1. 1. 1.]

代表用户买了奶酪、苹果和香蕉,没有买面包、牛奶

1-> 表示买了该商品

0-> 表示没有买该商品

products_name = ["面包", "牛奶", "奶酪", "苹果", "香蕉"]

## 实现简单的排序规则

如果要找出"如果一个人买了商品X,那么他可能购买Y"这样的规则。

简单的办法就是找出数据集中所有同时购买两件商品的情况,找到规则后,我们还需要判断规则的优劣,最后选择最优的。

规则的优劣有多种衡量方法,常用的方法有“支持度”和“置信度”

支持度指数据集里面规则有效的次数,统计起来很简单。

有时候,还需要对支持度进行规范化,即再除以规则有效的总数量。

我们这里只简单统计规则有效的次数。

支持度衡量的是给定规则有效的比例,而置信度衡量的则是规则有效准确率,即符合给定条件(即规则的“如果”语句所表示的前提条件)的所有规则里,跟当前规则结论一致的比例有多大。

计算方法为首先统计当前规则的出现次数,再用它来除以条件(“如果”语句)相同的规则数量

如下面的代码所示,通过判断交易数据中data[3]的值,就能知道一个顾客是否买了苹果。 这里,data表示一条交易信息,也就是数据集里的一行数据。

purchase_apple_sum = 0 # 购买苹果的人数
for data in datas:
    if data[3] == 1: # 购买了苹果
        purchase_apple_sum += 1 # 计算购买了苹果的人数
        
print("{0}人买了苹果".format(purchase_apple_sum))

输出

    36人买了苹果

# 有多少人买了苹果有买了香蕉呢

valid_rule = 0 # 符合规则的有效次数
invalid_rule = 0 # 不符合规则的有效次数
purchase_apple_not_banana_num = 0
for data in datas:
    if data[3] == 1: # 购买了苹果
        if data[4] == 1: # 购买了香蕉
            valid_rule += 1 # 计算购买苹果和香蕉的人数
        else:
            invalid_rule += 1 # 计算购买苹果没有购买香蕉的人数
print("{0}人同时购买了苹果和香蕉".format(purchase_apple_and_banana_num))
print("{0}人只购买了苹果没有购买香蕉".format(purchase_apple_not_banana_num))

输出

    21人同时购买了苹果和香蕉
    0人只购买了苹果没有购买香蕉

现在有了所有需要的数据,我们就可以计算支持度和置信度

# 支持度就是 符合规则有效的次数
support_degree = valid_rule
# 置信度
confidence_degree = valid_rule / purchase_apple_sum
print("支持度是{0}, 置信度是{1:0.3f}".format(support_degree, confidence_degree))
# 置信度可以用百分比来表示
print("置信度的百分比是{0:0.1f}%".format(confidence_degree * 100))

输出

    支持度是21, 置信度是0.583
    置信度的百分比是58.3%

为了计算所有规则的置信度和支持度,首先创建一个字典,用来存放计算结果。

需要统计的量有

1、有效规则

2、无效规则

3、条件相同的规则数量

'''
对于上面的符合要求的,即同时购买了苹果和香蕉的标识符合我们的规则,反之不符合我们的规则,按照此逻辑我们找出所有有效规则
'''
from collections import defaultdict
valid_rules = defaultdict(int) # 有效规则
invalid_rules = defaultdict(int) # 无效规则
num_occurances = defaultdict(int) # 规则数量
for data in datas:
    for fruit in range(n_features):
        # 首先检查个体是否符合规则【购买的规则,没有购买的就直接跳过】
        if data[fruit] == 0: # 不符合规则,继续下一个循环 
            continue
        num_occurances[fruit] += 1 # 符合规则加1
        
        for also_fruit in range(n_features):
            if fruit == also_fruit: # 跳过不符合要求的,即我们想要的是买了x水果又买了y水果,而不是买了x水果又买了x水果
                continue
            if data[also_fruit] == 1:
                valid_rules[(fruit, also_fruit)] += 1
                
            else:
                invalid_rules[(fruit, also_fruit)] += 1
                
support_degrees = valid_rules
confidence_degrees = defaultdict(float)
for fruit, also_fruit in valid_rules.keys():
    confidence_degrees[(fruit, also_fruit)] = valid_rules[(fruit, also_fruit)] / num_occurances[fruit]
for fruit, also_fruit in confidence_degrees:
    fruit_name = products_name[fruit]
    also_fruit_name = products_name[also_fruit]
    print("规则: 如果一个人买了商品【{0}】,那么他可能买商品【{1}】".format(fruit_name, also_fruit_name))
    print(" - 置信度是: {0:.3f}".format(confidence_degrees[(fruit, also_fruit)]))
    print(" - 支持度是: {0}".format(support_degrees[(fruit, also_fruit)]))

输出

    规则: 如果一个人买了商品【奶酪】,那么他可能买商品【苹果】
     - 置信度是: 0.610
     - 支持度是: 25
    规则: 如果一个人买了商品【奶酪】,那么他可能买商品【香蕉】
     - 置信度是: 0.659
     - 支持度是: 27
    规则: 如果一个人买了商品【苹果】,那么他可能买商品【奶酪】
     - 置信度是: 0.694
     - 支持度是: 25
    规则: 如果一个人买了商品【苹果】,那么他可能买商品【香蕉】
     - 置信度是: 0.583
     - 支持度是: 21
    规则: 如果一个人买了商品【香蕉】,那么他可能买商品【奶酪】
     - 置信度是: 0.458
     - 支持度是: 27
    规则: 如果一个人买了商品【香蕉】,那么他可能买商品【苹果】
     - 置信度是: 0.356
     - 支持度是: 21
    规则: 如果一个人买了商品【面包】,那么他可能买商品【牛奶】
     - 置信度是: 0.519
     - 支持度是: 14
    规则: 如果一个人买了商品【面包】,那么他可能买商品【苹果】
     - 置信度是: 0.185
     - 支持度是: 5
    规则: 如果一个人买了商品【牛奶】,那么他可能买商品【面包】
     - 置信度是: 0.304
     - 支持度是: 14
    规则: 如果一个人买了商品【牛奶】,那么他可能买商品【苹果】
     - 置信度是: 0.196
     - 支持度是: 9
    规则: 如果一个人买了商品【苹果】,那么他可能买商品【面包】
     - 置信度是: 0.139
     - 支持度是: 5
    规则: 如果一个人买了商品【苹果】,那么他可能买商品【牛奶】
     - 置信度是: 0.250
     - 支持度是: 9
    规则: 如果一个人买了商品【面包】,那么他可能买商品【奶酪】
     - 置信度是: 0.148
     - 支持度是: 4
    规则: 如果一个人买了商品【奶酪】,那么他可能买商品【面包】
     - 置信度是: 0.098
     - 支持度是: 4
    规则: 如果一个人买了商品【牛奶】,那么他可能买商品【香蕉】
     - 置信度是: 0.413
     - 支持度是: 19
    规则: 如果一个人买了商品【香蕉】,那么他可能买商品【牛奶】
     - 置信度是: 0.322
     - 支持度是: 19
    规则: 如果一个人买了商品【面包】,那么他可能买商品【香蕉】
     - 置信度是: 0.630
     - 支持度是: 17
    规则: 如果一个人买了商品【香蕉】,那么他可能买商品【面包】
     - 置信度是: 0.288
     - 支持度是: 17
    规则: 如果一个人买了商品【牛奶】,那么他可能买商品【奶酪】
     - 置信度是: 0.152
     - 支持度是: 7
    规则: 如果一个人买了商品【奶酪】,那么他可能买商品【牛奶】
     - 置信度是: 0.171
     - 支持度是: 7


def print_rule(fruit, also_fruit, support_degrees, confidence_degrees, products_name):
    fruit_name = products_name[fruit]
    also_fruit_name = products_name[also_fruit]
    print("规则: 如果一个人买了商品【{0}】,那么他可能买商品【{1}】".format(fruit_name, also_fruit_name))
    print(" - 置信度是: {0:.3f}".format(confidence_degrees[(fruit, also_fruit)]))
    print(" - 支持度是: {0}".format(support_degrees[(fruit, also_fruit)]))
    
print_rule(1, 3, support_degrees, confidence_degrees, products_name)

输出

    规则: 如果一个人买了商品【牛奶】,那么他可能买商品【苹果】
     - 置信度是: 0.196
     - 支持度是: 9

## 排序找出最佳规则

我们上面已经拿到了所有有效规则及对应的置信度和支持度,为了找出最佳规则,我们还需要根据支持度和置信度对规则进行排序。

为了找出支持度最高的规则,首先对支持度字典进行排序。

# 排序支持度
from pprint import pprint
pprint(list(support_degrees.items()))

输出

    [((2, 3), 25),
     ((2, 4), 27),
     ((3, 2), 25),
     ((3, 4), 21),
     ((4, 2), 27),
     ((4, 3), 21),
     ((0, 1), 14),
     ((0, 3), 5),
     ((1, 0), 14),
     ((1, 3), 9),
     ((3, 0), 5),
     ((3, 1), 9),
     ((0, 2), 4),
     ((2, 0), 4),
     ((1, 4), 19),
     ((4, 1), 19),
     ((0, 4), 17),
     ((4, 0), 17),
     ((1, 2), 7),
     ((2, 1), 7)]
# 使用itemgetter() 类作为键,这样就可以对嵌套列表进行排序
from operator import itemgetter
# itemgetter(1)表示以字典各元素的值(这里为 支持度)作为排序依据,reverse=True表示降序排列。
sorted_support_degrees = sorted(support_degrees.items(), key=itemgetter(1), reverse=True)
print(sorted_support_degrees)

输出

    [((2, 4), 27), ((4, 2), 27), ((2, 3), 25), ((3, 2), 25), ((3, 4), 21), ((4, 3), 21), ((1, 4), 19), ((4, 1), 19), ((0, 4), 17), ((4, 0), 17), ((0, 1), 14), ((1, 0), 14), ((1, 3), 9), ((3, 1), 9), ((1, 2), 7), ((2, 1), 7), ((0, 3), 5), ((3, 0), 5), ((0, 2), 4), ((2, 0), 4)]


# 排序完成之后就可以输出支持度最高的前5条
for i in range(5):
    print("规则: #{0}".format(i))
    fruit, also_fruit = sorted_support_degrees[i][0]
    print_rule(fruit, also_fruit, support_degrees, confidence_degrees, products_name)

输出

    规则: #0
    规则: 如果一个人买了商品【奶酪】,那么他可能买商品【香蕉】
     - 置信度是: 0.659
     - 支持度是: 27
    规则: #1
    规则: 如果一个人买了商品【香蕉】,那么他可能买商品【奶酪】
     - 置信度是: 0.458
     - 支持度是: 27
    规则: #2
    规则: 如果一个人买了商品【奶酪】,那么他可能买商品【苹果】
     - 置信度是: 0.610
     - 支持度是: 25
    规则: #3
    规则: 如果一个人买了商品【苹果】,那么他可能买商品【奶酪】
     - 置信度是: 0.694
     - 支持度是: 25
    规则: #4
    规则: 如果一个人买了商品【苹果】,那么他可能买商品【香蕉】
     - 置信度是: 0.583
     - 支持度是: 21


'''
同理我们还可以输出置信度最高的规则,首先对置信度进行排序
'''
sorted_confidence_degrees = sorted(confidence_degrees.items(), key=itemgetter(1), reverse=True)
print(sorted_confidence_degrees)

输出

    [((3, 2), 0.6944444444444444), ((2, 4), 0.6585365853658537), ((0, 4), 0.6296296296296297), ((2, 3), 0.6097560975609756), ((3, 4), 0.5833333333333334), ((0, 1), 0.5185185185185185), ((4, 2), 0.4576271186440678), ((1, 4), 0.41304347826086957), ((4, 3), 0.3559322033898305), ((4, 1), 0.3220338983050847), ((1, 0), 0.30434782608695654), ((4, 0), 0.288135593220339), ((3, 1), 0.25), ((1, 3), 0.1956521739130435), ((0, 3), 0.18518518518518517), ((2, 1), 0.17073170731707318), ((1, 2), 0.15217391304347827), ((0, 2), 0.14814814814814814), ((3, 0), 0.1388888888888889), ((2, 0), 0.0975609756097561)]


# 排序完成之后就可以输出置信度最高的前5条
for i in range(5):
    print("规则: #{0}".format(i))
    fruit, also_fruit = sorted_confidence_degrees[i][0]
    print_rule(fruit, also_fruit, support_degrees, confidence_degrees, products_name)

输出

    规则: #0
    规则: 如果一个人买了商品【苹果】,那么他可能买商品【奶酪】
     - 置信度是: 0.694
     - 支持度是: 25
    规则: #1
    规则: 如果一个人买了商品【奶酪】,那么他可能买商品【香蕉】
     - 置信度是: 0.659
     - 支持度是: 27
    规则: #2
    规则: 如果一个人买了商品【面包】,那么他可能买商品【香蕉】
     - 置信度是: 0.630
     - 支持度是: 17
    规则: #3
    规则: 如果一个人买了商品【奶酪】,那么他可能买商品【苹果】
     - 置信度是: 0.610
     - 支持度是: 25
    规则: #4
    规则: 如果一个人买了商品【苹果】,那么他可能买商品【香蕉】
     - 置信度是: 0.583
     - 支持度是: 21

从排序结果来看,“顾客买苹果,也会买奶酪”和“顾客买奶酪,也会买香蕉”,这两条规则的支持度和置信度都很高。

超市经理可以根据这些规则来调整商品摆放位置。

例如,如果本周苹果促销,就在旁边摆上奶酪。

但是香蕉和奶酪同时搞促销就没有多大意义了,因为我们发现购买奶酪的顾客中,接近66%的人即使不搞促销也会买香蕉——即使搞促销,也不会给销量带来多大提升

实例代码:https://github.com/durban89/python_data_mining_Affinity-analysis

版权声明

版权声明

dapeng 创作并维护的 Walkerfree 博客采用 创作共用保留署名-非商业-禁止演绎4.0国际许可证。本文首发于 Walkerfree 博客(https://www.walkerfree.com/),版权所有,侵权必究。本文永久链接:https://www.walkerfree.com/article/135/