R語言關(guān)聯(lián)規(guī)則

#                            Apriori算法實(shí)現(xiàn)關(guān)聯(lián)規(guī)則挖掘
#======================= MODEL1. 輸入數(shù)據(jù)集為transaction類型 ======================

#install.packages("arules")    #Apriori算法程序包
library(arules)
data(Groceries)               #調(diào)用R自帶關(guān)聯(lián)規(guī)則數(shù)據(jù)集Groceries（transaction類型的格式）

#-----------------------查看數(shù)據(jù)的詳細(xì)信息
# Groceries數(shù)據(jù)集為雜貨店一個(gè)月的交易記錄集，包括169中商品項(xiàng)目，9835個(gè)記錄
head(Groceries)     #查看前6條記錄
str(Groceries)      #查看數(shù)據(jù)的內(nèi)部結(jié)構(gòu)
summary(Groceries)  #查看數(shù)據(jù)的基本統(tǒng)計(jì)量
class(Groceries)    #查看數(shù)據(jù)類型，關(guān)聯(lián)規(guī)則處理的數(shù)據(jù)類型為“transactions”
dim(Groceries)      #查看數(shù)據(jù)的維數(shù)  行數(shù)和列數(shù)
colnames(Groceries[,1:5])   #查看第1-5列的列名
#inspect(Groceries)   #查看transactions數(shù)據(jù)集中的全部記錄

#--------------------- Apriori實(shí)現(xiàn)關(guān)聯(lián)規(guī)則
# apriori的參數(shù)設(shè)置為支持度0.01，置信度0.1，關(guān)聯(lián)前項(xiàng)和后項(xiàng)包含的最小項(xiàng)目數(shù)為2，最大項(xiàng)數(shù)為15
rules=apriori(Groceries, parameter=list(support=0.01,confidence=0.1,minlen=2,maxlen=15))  

# 如果需要了解某一種商品的關(guān)聯(lián)情況，可以使用appearance參數(shù)，以下為探究與whole milk關(guān)聯(lián)的商品，設(shè)置關(guān)聯(lián)前項(xiàng)為whole milk，后項(xiàng)不限
# rules=apriori(Groceries, parameter=list(support=0.01,confidence=0.1,minlen=2),appearance=list(lhs="whole milk",default="rhs"))  

rules           #查看生成的關(guān)聯(lián)規(guī)則
rules<-sort(rules,by='support')               #對規(guī)則按照support從高到低排序
inspect(rules[1:10])            #查看前10條規(guī)則         

# 對規(guī)則進(jìn)行格式轉(zhuǎn)換并輸出
R1<-as(rules,'data.frame')    #將關(guān)聯(lián)規(guī)則設(shè)置成dataframe格式
#setwd("D:\\R files\\Data")
write.csv(R1,"Groceries_apriori.csv") 

#-------------------- 關(guān)聯(lián)規(guī)則可視化
#install.packages("arulesViz")   #關(guān)聯(lián)規(guī)則可視化程序包
library ( arulesViz )

plot(rules, measure = c("support", "lift"), shading = "confidence")   #畫出關(guān)聯(lián)結(jié)果的散點(diǎn)圖
plot(rules,method="grouped")    #作出rules的分組圖

# 繪制Two‐key圖，其中關(guān)聯(lián)規(guī)則點(diǎn)的顏色深淺表示其所代表的關(guān)聯(lián)規(guī)則中所含商品的多少，商品種類越多，點(diǎn)的顏色越深
plot(rules,shading="order", control=list(main="Two‐key plot"))　

#========================== MODEL2. 輸入數(shù)據(jù)集為稀疏矩陣 ===========================
#setwd("D:\\R files\\Data")
#  若輸入矩陣為其他形式，可轉(zhuǎn)換，將其變成稀疏矩陣
#  數(shù)據(jù)集testA為簡單的輸入稀疏矩陣，7個(gè)項(xiàng)目和9條記錄

testA=read.csv(file="testA.csv",as.is = T,sep=",")      #讀入稀疏矩陣
set<-testA
factorK<-function(X){factor(X,levels=0:1)}        #建立factorK函數(shù)
T1<-as(data.frame(apply(set,2,factorK)),"transactions")    #根據(jù)列對應(yīng)的值是否為1建立transaction格式的數(shù)據(jù)集
T2<-apriori(T1,parameter=list(minlen=2,supp=0.3,conf=0.5))      #得到支持度0.1，置信度0.5的關(guān)聯(lián)規(guī)則
T2<-sort(T2,by='support')      #將關(guān)聯(lián)規(guī)則按支持度從高到低排序
inspect(T2[1:10])

# 對規(guī)則進(jìn)行格式轉(zhuǎn)換
T3<-as(T2,'data.frame')    #將關(guān)聯(lián)規(guī)則設(shè)置成dataframe格式

# 畫圖
library ( arulesViz )
plot(T2, measure = c("support", "lift"), shading = "confidence")   #畫出關(guān)聯(lián)結(jié)果的散點(diǎn)圖
plot(T2,method="grouped")    #作出分組圖

# 繪制Two‐key圖，其中關(guān)聯(lián)規(guī)則點(diǎn)的顏色深淺表示其所代表的關(guān)聯(lián)規(guī)則中所含商品的多少，商品種類越多，點(diǎn)的顏色越深
plot(T2,shading="order", control=list(main="Two‐key plot"))　

#  將關(guān)聯(lián)規(guī)則轉(zhuǎn)換格式輸出
#setwd("D:\\R files\\Data")
write.csv(T3,"testA_apriori.csv")