《Python经济大数据分析》课件_第8章 Python应用商品零售购物篮分析.ppt

第一步：商品购物篮关联规则模型构建目前，如何设置最小支持度与最小置信度，并没有统一的标准。大部分都是根据业务经验设置初始值，然后经过多次调整，获取与业务相符的关联规则结果。本案例经过多次调整并结合实际业务分析，选取模型的输入参数为：最小支持度0.02、最小置信度0.35。运行关联规则代码，得到结果如下图。分析方法与过程第二步：模型分析根据多次试验，得出了26个关联规则。根据规则结果，可整理出购物篮关联规则模型结果。分析方法与过程lhs?rhs支持度置信度lift{水果/蔬菜汁}={全脂牛奶}0.026640.3684951.44216{人造黄油}={全脂牛奶}0.0241990.4131941.617098{仁果类水果}={全脂牛奶}0.0300970.3978491.557043{牛肉}={全脂牛奶}0.0212510.4050391.58518{冷冻蔬菜}={全脂牛奶}0.0204370.4249471.663094{本地蛋类}={其他蔬菜}0.0222670.3509621.813824{黄油}={其他蔬菜}0.0200310.3614681.868122{本地蛋类}={全脂牛奶}0.0299950.4727561.850203{黑面包}={全脂牛奶}0.0252160.3887151.521293{糕点}={全脂牛奶}0.0332490.3737141.462587{酸奶油}={其他蔬菜}0.0288760.4028372.081924{猪肉}={其他蔬菜}0.0216570.3756611.941476{酸奶油}={全脂牛奶}0.0322320.4496451.759754分析方法与过程lhs?rhs支持度置信度lift{猪肉}={全脂牛奶}0.0221660.384481.504719{根茎类蔬菜}={全脂牛奶}0.0489070.4486941.756031{根茎类蔬菜}={其他蔬菜}0.0473820.4347012.246605{凝乳}={全脂牛奶}0.0261310.4904581.919481{热带水果}={全脂牛奶}0.0422980.4031011.577595{柑橘类水果}={全脂牛奶}0.0305030.368551.442377{黄油}={全脂牛奶}0.0275550.4972481.946053{酸奶}={全脂牛奶}0.0560240.4016031.571735{其他蔬菜}={全脂牛奶}0.0748350.3867581.513634{其他蔬菜,酸奶}={全脂牛奶}0.0222670.5128812.007235{全脂牛奶,酸奶}={其他蔬菜}0.0222670.3974592.054131{根茎类蔬菜,全脂牛奶}={其他蔬菜}0.0231830.4740122.44977{根茎类蔬菜,其他蔬菜}={全脂牛奶}0.0231830.489271.914833第二步：模型分析输出结果分析，顾客购买酸奶和其他蔬菜的时候会同时购买全脂牛奶，其置信度最大达到51,29%。其他蔬菜、根茎类蔬菜和全脂牛奶同时购买的概率较高。从购物者角度进行分析：现代生活中，大多数购物者为家庭煮妇，购买的商品大部分是食品，随着生活质量和健康意识的增加，其他蔬菜、根茎类蔬菜和全脂牛奶均为现代家庭每日饮食所需品，因此，其他蔬菜、根茎类蔬菜和全脂牛奶同时购买的概率较高符合现代人们的生活健康意识。分析方法与过程第三步：模型应用模型结果表明顾客购买商品的时候会同时购买全脂牛奶。因此，商场应该根据实际情况将全脂牛奶放在顾客购买商品的必经之路，或者商场显眼位置，方便顾客拿取。其他蔬菜、根茎类蔬菜、酸奶油、猪肉、黄油、本地蛋类和多种水果同时购买的概率较高，可以考虑捆绑销售，或者适当调整商场布置，将这些商品的距离尽量拉近，提升购物体验。分析方法与过程1分析方法与过程目录背景与挖掘目标2上机实验3拓展思考4实验目的利用pandas快速实现数据的预处理分析以及实现关联算法的过程。了解Apriori关联规则算法在购物篮分析实例中的应用。实验内容利用pandas将数据转换成适合实现Apriori关联规则算法的数据格式。对商品零售购物篮进行购物篮关联关系规则分析，并将规则进行保存。上机实验实验方法与步骤导入pandas，使用read_excel()函