Python使用mlxtend库实现Apriori关联规则算法详解

落日邮差

发布时间：2026-10-14 | 2人浏览过

原创

本文介绍如何在Python中利用mlxtend库实现Apriori关联规则算法。通过导入TransactionEncoder和apriori模块，演示数据预处理、频繁项集挖掘及关联规则生成的完整流程。重点讲解min_support、min_threshold及lift参数的配置方法，并结合具体水果数据集展示代码实现与结果分析。

环境准备与库导入

首先，需要导入包含Apriori算法相关功能的mlxtend库。


pip install mlxtend

接下来调用apriori函数进行关联规则分析。具体代码实现如下，数据集参考本博客“机器学习算法——关联规则”中的示例。在配置中，设置最小支持度（min_support）为0.4，最小置信度（min_threshold）为0.1。

同时设置最小提升度（lift）为1.0，对数据集执行关联规则分析。

Apriori算法代码实现


from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules
import pandas as pd

df_arr = [['苹果','香蕉','鸭梨'],
    ['橘子','葡萄','苹果','哈密瓜','火龙果'],
    ['香蕉','哈密瓜','火龙果','葡萄'],
    ['橘子','橡胶'],
    ['哈密瓜','鸭梨','葡萄']
    ]

#转换为算法可接受模型（布尔值）
te = TransactionEncoder()
df_tf = te.fit_transform(df_arr)
df = pd.DataFrame(df_tf,columns=te.columns_)

#设置支持度求频繁项集
frequent_itemsets = apriori(df,min_support=0.4,use_colnames= True)
#求关联规则,设置最小置信度为0.15
rules = association_rules(frequent_itemsets,metric = 'confidence',min_threshold = 0.15)
#设置最小提升度
rules = rules.drop(rules[rules.lift <1.0].index)
#设置标题索引并打印结果
rules.rename(columns = {'antecedents':'from','consequents':'to','support':'sup','confidence':'conf'},inplace = True)
rules = rules[['from','to','sup','conf','lift']]
print(rules)
#rules为Dataframe格式，可根据自身需求存入文件

最终输出的分析结果如下所示。

运行结果分析


     from     to sup   conf   lift
0    (哈密瓜)    (火龙果) 0.4 0.666667 1.666667
1    (火龙果)    (哈密瓜) 0.4 1.000000 1.666667
2    (哈密瓜)    (葡萄) 0.6 1.000000 1.666667
3     (葡萄)    (哈密瓜) 0.6 1.000000 1.666667
4     (葡萄)    (火龙果) 0.4 0.666667 1.666667
5    (火龙果)    (葡萄) 0.4 1.000000 1.666667
6  (哈密瓜, 葡萄)    (火龙果) 0.4 0.666667 1.666667
7  (哈密瓜, 火龙果)    (葡萄) 0.4 1.000000 1.666667
8  (葡萄, 火龙果)    (哈密瓜) 0.4 1.000000 1.666667
9    (哈密瓜)  (葡萄, 火龙果) 0.4 0.666667 1.666667
10    (葡萄) (哈密瓜, 火龙果) 0.4 0.666667 1.666667
11    (火龙果)  (哈密瓜, 葡萄) 0.4 1.000000 1.666667

Process finished with exit code 0

以上即为Python实现Apriori关联规则算法的完整示例。如需了解更多关于Python实现Apriori算法的资料，请查阅本站其他相关文章。