newolivar0分析和总结分析和总结.docxVIP

setwd(E:/TB related/Service/2016/3 18 newolivar) library(arules) # 读取arules 软件包 a_df3=read.csv(ppp1.csv) head(a_df3) ## X a b c d e f g ## 1 date1 3 1 1 2 1 1 1 ## 2 date2 1 2 2 1 2 2 1 ## 3 date3 1 1 2 2 2 1 2 ## 4 date4 2 1 2 2 2 1 2 ## 5 date5 2 1 1 1 1 2 1 ## 6 date6 1 1 2 3 2 1 1 #将数据转化成交易数据 a_df3=a_df3[,-1] #设置时间间隔 interval=2 rawdata=a_df3 #筛选时间跨度数据 for(n in 1:floor(nrow(rawdata)/interval)){ a_df3=rawdata[((n-1)*interval+1):(n*interval),] ## set dim names a_df3=unlist(a_df3) a_df3=matrix(a_df3,ncol =7) a_df3=t(a_df3) dimnames(a_df3) -list(c(a,b,c,d,e,f,g), paste(Tr,c(1:ncol(a_df3)), sep =)) a_df3=t(a_df3) a_df3=a_df3-1 ## coerce trans2 -as(a_df3, transactions) trans2 # inspect(trans2) #查看数据结构 dat1=trans2 #查看部分交易数据 # inspect(dat1[1:5]) #查看每个商品的出现频率 par(mfrow=c(1,1)) itemFrequencyPlot(dat1, support =0.02, cex.names=0.8) #可以看到每个物品出现的频率，从而判断哪些物品的支持度较高frequentsets=eclat(dat1,parameter=list(support=0.02,maxlen=10)) #得到频繁规则挖掘 # inspect(frequentsets[1:5]) #察看求得的频繁项集 # # inspect(sort(frequentsets,by=support)[1:5]) #根据支持度对求得的频繁项集排序并察看（等价于inspect(sort(frequentsets)[1: 10]） ####关联规则挖掘 #建立模型rules=apriori(dat1,parameter=list(support=0.01,confidence=0.3)) #求关联规则 #设置支持度为0.01，置信度为0.3 summary(rules)#查看规则#查看部分规则inspect(head(rules)) #查看置信度 支持度和提升度 quality(head(rules)) #安装arules 可视化包 # install.packages(arulesViz) library(arulesViz) #绘制不同规则图形来表示支持度，置信度和提升度 par(mfrow=c(1,1)) plot(rules, method=grouped) #同过改图 可以看到 规则前项和规则后项分别有哪些物品以及每个物品 #的支持度大小，支持度越大则圆圈越大。 plot(rules, method=graph) plot(rules, method =NULL, measure =support, shading =lift, interactive =FALSE) #从该图可以看到支持度和置信度的关系，置信度越高提升度也越高plot(rules) plot(rules, measure=c(support, lift), shading=confidence) #从该图可以看到支持度和置信度的关系，提升度越高置信度也越高 plot(rules, method=matrix3D, measure=lift) plot(rules, method=graph) #从上图可以看到不同物品之间的关联关系图中的点越大说明该物品的支持度越高 #颜色越深说明该物品的提升度越高。 #plot(rules, method=doubledecker ) #查看最高的支持度样本规则 rules -sort(rules, by=support) inspect(head(rules, n=10)) #查看最高置信度样本规则 rules -sort(rules, by=confidence) inspect(head(rules,