Apriori分析BreadBasket

数据集下载：https://www.kaggle.com/sulmansarwar/transactions-from-a-bakery?select=BreadBasket_DMS.csv

matplotlib设置绘图风格：https://blog.csdn.net/weixin_42968458/article/details/82889736
觉得比较好看的几款：
fivethirtyeight，seaborn-colorblind，seaborn-paper这三款差不多；seaborn-white是背景为白色的。

EDA

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')
df = pd.read_csv('C:/Users/admin/Desktop/Apriori/BreadBasket_DMS.csv')

df['Item']=df['Item'].str.lower()

x=df['Item']== 'none'
print(x.value_counts())

False    20507
True       786
Name: Item, dtype: int64

df=df.drop(df[df.Item == 'none'].index)  #这里不是null，所以不能用df.dropna(axis = 0)

去除没有买东西的记录，none相当于一个去超市逛了逛，但是最后没有买东西。

len(df['Item'].unique())

94

Item一共有94种不同的商品

分析最畅销的商品

df_for_top10_Items=df['Item'].value_counts().head(10)
Item_array= np.arange(len(df_for_top10_Items))

import matplotlib.pyplot as plt
plt.style.use("fivethirtyeight")   
plt.figure(figsize=(12,5))
Items_name=['coffee','bread','tea','cake','pastry','sandwich','medialuna','hot chocolate','cookies','brownie']
plt.bar(Item_array,df_for_top10_Items.iloc[:])
plt.xticks(Item_array,Items_name)  #设置横座标
plt.title('Top 5 most selling items',fontsize=18)
#添加数据标签
for x, y in zip(Item_array,df_for_top10_Items.iloc[:]):    
    plt.text(x+0.05,y+0.15,'%.0f' %y,ha='center',va='bottom')
plt.show()

df_for_top10_Items.iloc[:]

coffee           5471
bread            3325
tea              1435
cake             1025
pastry            856
sandwich          771
medialuna         616
hot chocolate     590
cookies           540
brownie           379
Name: Item, dtype: int64

按星期分析的交易频次（售出商品数量）

df['Date'] = pd.to_datetime(df['Date'])   #将数据转化为日期格式
df['Time'] = pd.to_datetime(df['Time'],format= '%H:%M:%S' ).dt.hour   #获取小时这个数字
df['day_of_week'] = df['Date'].dt.weekday   
#得出具体一天是星期几，0表示星期一，6表示星期天
d=df.loc[:,'Date']

df['day_of_week'].value_counts()

5    4605
4    3124
6    3095
3    2646
1    2392
0    2324
2    2321
Name: day_of_week, dtype: int64

weekday_names=[ 'Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
Weekday_number=[0,1,2,3,4,5,6]
week_df = d.groupby(d.dt.weekday).count().reindex(Weekday_number)
Item_array_week= np.arange(len(week_df))

plt.style.use("seaborn-paper")
plt.figure(figsize=(9,5))
plt.bar(Item_array_week,week_df)
plt.xticks(Item_array_week,weekday_names)
plt.title('Number of Transactions made based on Weekdays',fontsize=18)
#添加数据标签
for x, y in zip(Item_array_week,week_df):    
    plt.text(x+0.05,y+0.15,'%.0f' %y,ha='center',va='bottom')
plt.show()

果然从周五开始放飞，一直持续到周日，并且周六购买的数量最多。

分析各个时段的购买商品数目（注意这里不是顾客数）

dt=df.loc[:,'Time']
Hour_names=[ 7, 8, 9,10,11,12,13,14,15,16,17,18,19,20,21,22,23]
time_df=dt.groupby(dt).count().reindex(Hour_names)
Item_array_hour= np.arange(len(time_df))

plt.figure(figsize=(13,5))
plt.bar(Item_array_hour,time_df)
plt.xticks(Item_array_hour,Hour_names)
plt.title('Number of Transactions made based on Hours',fontsize=18)
#添加数据标签
for x, y in zip(Item_array_hour,time_df):    
    plt.text(x+0.05,y+0.15,'%.0f' %y,ha='center',va='bottom')
plt.show()

Apriori

同一时间的Transaction，我们认为是一个人的购物篮，所以需要将对应的Item按照Transaction分组，然后形成list,根据Apriori的要求，也可以形成tuple，但是这里最小不要形成tuple,因为对于tuple里只有一个元素的，末尾会添上一个问号，这个会影响到频繁项集的筛选。

处理参考网址：https://cloud.tencent.com/developer/ask/175315

df.groupby(['Transaction'])['Item'].apply(list).head()

Transaction
1                          [bread]
2     [scandinavian, scandinavian]
3    [hot chocolate, jam, cookies]
4                         [muffin]
5          [coffee, pastry, bread]
Name: Item, dtype: object

from efficient_apriori import apriori
data = list(df.groupby(['Transaction'])['Item'].apply(list))
itemsets, rules = apriori(data, min_support=0.05,  min_confidence=0.2)

itemsets

{1: {('bread',): 3097,
  ('cake',): 983,
  ('coffee',): 4528,
  ('cookies',): 515,
  ('hot chocolate',): 552,
  ('medialuna',): 585,
  ('pastry',): 815,
  ('sandwich',): 680,
  ('tea',): 1350},
 2: {('bread', 'coffee'): 852, ('cake', 'coffee'): 518}}

这里可以发现人们的一些购买习惯，如经常购买的物品，或者经常购买的物品组合，这些购买习惯中隐藏着一定强度的关联规则。

rules

[{bread} -> {coffee}, {cake} -> {coffee}]

min_support和min_confidence的初始值需要小一些，否则输出来是空的。经过不但尝试发现
{bread} -> {coffee}约0.2左右，{cake} -> {coffee}约0.52左右。即买面包后有20%的可能买咖啡，买蛋糕有50%的可能性买咖啡。