原理 + 代码｜手把手教你用Python实现智能推荐算法.docxVIP

原理 + 代码｜手把手教你用Python实现智能推举算法 首先导入相关库并进行数据探究性分析 import?pandas?as?pdimport?numpy?as?npdf?=?pd.read_csv(bike_data.csv,?encoding=gbk)df.info();?df.head() 数据参数解释 OrderNumber：客户昵称 LineNumber：购买挨次，如前三行分别表示同一个客户购买的三样商品的挨次 Model：商品名 接着来看看商品的品种 print(f数据集中共有{df[Model].nunique()}种商品)model_names?=?df[Model].unique()print(商品名分别为：)#?5?个为一行显示for?i?in?range(0,?len(model_names),?5):??????print(model_names[i:i+5]) 再来看看最畅销的 15 种商品 再进行一些简约的可视化 top_15?=?grouped.sort_values(by=count,?ascending=False).head(15)plt.figure(figsize=(8,?6))sns.barplot(data=top_15,?x=count,?y=Model)plt.grid(True) 使用 Apriori 算法求解关联规章 首先生成购物篮，并将同一个客户购买的全部商品放入同一个购物篮，需要提前使用pip install Apriori安装，之后我们使用 Apriori 包中的 dataconvert 函数，下面是需要传入的参数解释 arulesdata：数据集 -- DataFrame tidvar: “分类的索引”，即划分购物篮的标准，本案例是依据客户 OrderNumber -- object类型 itemvar：将什么东西放进篮子里，本案例是将数据集中的商品，就是 Model 列放入篮子 -- object类型 data_type: 默认选择 inverted，库中供应的不变 留意：需要留意传入的参数类型，只需对了，直接套用就不是什么难事 import?Apriori?as?apri#?需要略微等待一下baskets?=?apri.dataconvert(arulesdata=df,?tidvar=OrderNumber,????????????????????????????itemvar=Model,?data_type=inverted)#?前往的购物篮是一个大列表，大列表中的每一个小列表表示一个篮子#?购物篮个数刚好等于数据集中的客户数量type(baskets),?len(baskets)?==?df[OrderNumber].nunique()#?(list,?True) 现在查看前五个购物篮中的物品 现在生成关联规章，依据陈列组合，可知这些买卖将会产生 21255×21254÷2 这么多个关联规章。首先就要满足支持度的要求，太小则直接被删去，支持度的大小可依据关联规章的多少调整 假如关联规章很少，可依据实际情况放宽支持度的要求。相关参数说明: + minSupport:最小支持度阈值 + minConf:最小相信度阈值 + minlen:规章最小长度 + maxlen:规章最大长度，一般2就够了 这里，minSupport 或 minConf 设定越低，产生的规章越多，计算量也就越大 结果说明: 以 result 第一行为例 + lhs: 被称为左手规章，通俗理解即用户购买的商品 - 山地车内胎 + rhs: 被称为右手规章，通俗理解即依据用户购买某商品来推举的另一件商品 - ll山地胎 + support: 支持度，山地车内胎 和 ll山地胎 同时消灭在一张购物小票中的概率 + confidence: 相信度，购买了 山地车内胎 的前提下，同时购买 ll山地胎 的概率 + lift：向购买了 山地车内胎 的客户推举 ll山地胎 的话，这个客户购买 ll山地胎 的概率是这个客户自然而然购买 ll山地胎 的 400% 左右，即高了300% 多！ 现在我们筛选互补品和互斥品，代码如下 #?互补品#?lift?提升度首先要大于1，然后再排序选择本人期望深究的前?n?个hubu?=?result[result[lift]??1].sort_values(by=lift,?????????????????????ascending=False).head(20)#?互斥品huchi?=?result[result[lift]??1].sort_values(by=lift,?????????????????????