依据交易数据集 basket_data.csv挖掘数据中购买行为中的关联规则。

问题分析：

如和去对一个数据集进行关联规则挖掘，找到数据集中的项集之间的关联性。

处理步骤：

首先导入了两个库，pandas 库和 apyori 库。pandas 库是 Python 用来处理数据的非常常用的库，而 apyori 库则是专门用于进行关联规则挖掘的算法库。 apyori 地址
接着读取数据集，将其转换为 DataFrame 对象 df。
将 df 中每个交易的商品项聚合成一个列表，存储到 transactions 列表中。这一步是为了将 df 转换为 apyori 库可用的格式。
使用 apyori 库提供的关联规则挖掘接口 apriori 进行挖掘。其中需要设置最小支持度、最小置信度、最小提升度和最小项集长度等参数。这些参数可以根据具体的应用场景进行调整，本代码中使用的参数值为 min_support=0.0025, min_confidence=0.2, min_lift=1.5, min_length=2。
最后，遍历挖掘出来的关联规则，将关联规则的结果输出到控制台上。

思考：

为了实现效果,首先必须将数据集的格式转换为 apyori 库可用的格式，也就是列表的形式。
根据实际应用场景，结合数据集的特点和需求，设置关联规则挖掘参数。
所有前期工作准备就绪之后,便开始遍历输出关联规则，查看结果并进行分析。根据输出的每条关联规则及其对应的支持度、置信度和提升度等信息，可以对数据集中的商品项之间的关系进行探索和分析。

代码解析

import pandas as pd
from apyori import apriori

导入 pandas 库，用于对数据进行处理；
导入 apyori 库，用于进行关联规则挖掘。

df = pd.read_csv('basket_data.csv', header=0, sep=',')

读取名为 basket_data.csv (当然也可以是其他的数据)的数据集，存储到名为 df 的 DataFrame 对象中。其中，header=0 表示第一行为列名，sep=‘,’ 表示使用逗号作为分隔符。

transactions = []
temp = df.groupby(['Transaction'])['Item'].apply(list)
for transaction, items in temp.items():transactions.append(items)

使用 groupby 方法，按照'Transaction'这一列进行分组，并将'Item'这一列变成列表形式，然后将每个数据项添加到 transactions 列表中。

rules = apriori(transactions, min_support=0.0025, min_confidence=0.2, min_lift=1.5, min_length=2)

使用apyori库提供的 apriori 函数进行关联规则挖掘。
transactions 是数据集转换后得到的列表对象，min_support、min_confidence、min_lift 和 min_length 是设定的最小支持度、最小置信度、最小提升度和最小项集长度等参数。

for result in rules:itemset = list(result.items)items = []for item in itemset:items.append(item)print(str(items) + ' -> ' + str(list(result.ordered_statistics[0].items_base)) + ' [Support: ' + str(round(result.support, 4)) + ', Confidence: ' + str(round(result.ordered_statistics[0].confidence, 4)) + ', Lift: ' + str(round(result.ordered_statistics[0].lift, 4)) + ']')

遍历输出每一条关联规则，其中对于每一条关联规则，将其转换为列表格式并打印出来。
使用ordered_statistics属性获取关联规则的统计信息，并将其转换为字符串形式输出到控制台上。
这些统计信息包括支持度、置信度和提升度等。

完整代码

import pandas as pd
from apyori import apriori
# 读取数据集
df = pd.read_csv('basket_data.csv', header=0, sep=',')
# 转换数据格式
transactions = []
temp = df.groupby(['Transaction'])['Item'].apply(list)
for transaction, items in temp.items():transactions.append(items)
# 挖掘关联规则
rules = apriori(transactions, min_support=0.0025, min_confidence=0.2, min_lift=1.5, min_length=2)
# 输出关联规则
for result in rules:# 将结果转换为列表itemset = list(result.items)items = []for item in itemset:items.append(item)print(str(items) + ' -> ' + str(list(result.ordered_statistics[0].items_base)) + ' [Support: ' + str(round(result.support, 4)) + ', Confidence: ' + str(round(result.ordered_statistics[0].confidence, 4)) + ', Lift: ' + str(round(result.ordered_statistics[0].lift, 4)) + ']')

运行效果截图

在这里插入图片描述

依据数据集 `类型预测数据集.csv` 进行类型标签预测，标签列为illness。

问题分析

读取数据集并进行预处理
划分训练集和测试集
建立决策树模型并训练模型
接收用户输入的特征值
对输入的特征值进行编码
使用训练好的模型进行预测并输出结果

处理步骤：

导入必要的库：pandas、sklearn.preprocessing中的LabelEncoder和OneHotEncoder、sklearn.tree中的DecisionTreeClassifier和sklearn.model_selection中的train_test_split。然后读取数据集并进行预处理，将标签属性illness转化为数字类型，并对类别属性Sex、BP和Cholesterol进行编码。
使用train_test_split函数将数据集划分为训练集和测试集。这里将数据集的20%作为测试集，并设置随机种子为0，以保证每次运行结果的一致性。
建立一个决策树分类器模型clf，并使用fit函数对模型进行训练。在这里，我们仅使用了默认参数。如果需要更好的预测效果，可以调整模型的参数。
通过while循环接收用户输入的特征值，这里涉及到年龄、性别、血压和胆固醇水平以及Na_to_K(猜测应该是纳钾比例)等属性。这里要注意的是, 用户输入时可能会存在非法输入，例如输入字母或符号，因此需要添加异常处理语句进行捕捉。
接下来，对于刚才输入的特征值，我们需要进行编码。
使用之前fit过的OneHotEncoder对象oh_enc对输入数据进行编码，并将其转化为DataFrame格式方便后续的操作。
接下来我们用训练好的模型对输入的病人特征值进行预测，并使用inverse_transform函数将结果转换为标签名,输出到控制台上.

完整代码

# 导入必要的库
import pandas as pd
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split# 读取数据集
data = pd.read_csv('类型预测数据集.csv')# 将标签转换为数字类型
le = LabelEncoder()
data['illness'] = le.fit_transform(data['illness'])# 对类别属性进行编码
oh_enc = OneHotEncoder(sparse=False)
encoded_cols = oh_enc.fit_transform(data[['Sex', 'BP', 'Cholesterol']])
encoded_cols_df = pd.DataFrame(encoded_cols, columns=oh_enc.get_feature_names_out(['Sex', 'BP', 'Cholesterol']))
data = pd.concat([data, encoded_cols_df], axis=1).drop(['Sex', 'BP', 'Cholesterol'], axis=1)# 划分训练集和测试集
X = data.drop('illness', axis=1)
y = data['illness']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)# 建立决策树模型并训练模型
clf = DecisionTreeClassifier(random_state=0)
clf.fit(X_train, y_train)# 获取用户输入的属性值，并将其转换为大写字母
while True:try:age = int(input('请输入年龄：'))na_k = float(input('请输入Na_to_K：'))breakexcept ValueError:print("您的输入无效，请重新输入数字！")while True:sex = input('请输入性别（M/F）：').upper()if sex not in ['M', 'F']:print("您的输入无效，请重新输入！")else:breakwhile True:bp = input('请输入血压（HIGH/LOW/NORMAL）：').upper()if bp not in ['HIGH', 'LOW', 'NORMAL']:print("您的输入无效，请重新输入！")else:breakwhile True:chol = input('请输入胆固醇（HIGH/NORMAL）：').upper()if chol not in ['HIGH', 'NORMAL']:print("您的输入无效，请重新输入！")else:break# 构造数据行并进行编码
predict_data_row = pd.DataFrame({'Age': [age], 'Sex': [sex], 'BP': [bp],'Cholesterol': [chol], 'Na_to_K': [na_k]})
predict_data_row = oh_enc.transform(predict_data_row[['Sex', 'BP', 'Cholesterol']])
predict_data_row_df = pd.DataFrame(predict_data_row, columns=oh_enc.get_feature_names_out(['Sex', 'BP', 'Cholesterol']))
predict_data_row = pd.concat([predict_data_row_df, pd.DataFrame({'Age': age, 'Na_to_K': na_k}, index=[0])],axis=1)[X.columns]# 预测类型标签
y_pred = clf.predict(predict_data_row)# 将预测结果转换为标签名
y_pred_name = le.inverse_transform(y_pred)[0]# 输出预测结果
print('该类型标签为：{}'.format(y_pred_name))