本文学习资源来自《Python数据挖掘入门与实践》中国工信出版集团 人民邮电出版社

亲和度

亲和度是用来表示一个实体与其他实体之间的亲和程度。
假设有两个实体Ｅ１和Ｅ２，如果他们从来没有被相同的活动使用，则他们的亲和度E(E1,E2)=0；如果他们总是同时被每一个活动所使用，则他们的亲和度E(E1,E2)=1。如果仅被某些活动一起使用，则其亲和度E(E1,E2)在(0,1)的区间内。
——百度百科

典型的应用场景：

• 购买一种商品的顾客可能要购买另一些商品
• 为网站用户提供服务推荐或定向广告
• 根据基因寻找有亲缘关系的人

亲和性有多种测量方法，如：
统计两件端口一起出售的频率，或者统计顾客购买了商品1后再买商品2的比率。

示例

运行环境：IPython notebook
数据 affinity_dataset.txt

数据示例

0 0 1 1 1
1 1 0 1 0
1 0 1 1 0
0 0 1 1 1
0 1 0 0 1
0 1 0 0 0

加载数据

import numpy as np
dataset_filename = "affinity_dataset.txt"
X = np.loadtxt(dataset_filename)
n_samples, n_features = X.shape
print("This dataset has {0} samples and {1} features".format(n_samples, n_features))

输出：
This dataset has 100 samples and 5 features。

数据涵义：
每列代表一种商品，分别为：面包、牛奶、奶酪、苹果、香蕉
输出为前5次交易中顾客都买了什么，第一条数据 0 0 1 1 1表示第一条交易中顾客购买了奶酪、苹果、香蕉。
1表示购买了，0表示未购买。

实现简单的排序规则

我们要找出“如果顾客购买了商品X，那么他们可能愿意购买商品Y”的规则。简单粗暴的做法是，找出数据集中所有同时购买的两件商品。找出规则后，还需要判断其优劣，我们挑好的规则用。
规则的优劣有多种衡量方法，常用的是支持度（support）和置信度（confidence）。

支持度
指数据集中规则应验的次数，统计起来很简单。有时候，还需要对支持度进行规范化，即再除以规则有效前提下的总数量。这里只是简单统计规则应验的次数。

支持度衡量的是给定规则应验的比例，而置信度衡量的则是规则准确率如何，即符合给定条件（即规则的“如果”语句所表示的前提条件）的所有规则里，跟当前规则结论一致的比例有多大。计算方法为首先统计当前规则的出现次数，再用它来除以条件（“如果”语句）相同的规则数量。

示例代码：

# The names of the features, for your reference.
features = ["bread", "milk", "cheese", "apples", "bananas"]

# First, how many rows contain our premise: that a person is buying apples
num_apple_purchases = 0
for sample in X:
    if sample[3] == 1:  # This person bought Apples
        num_apple_purchases += 1
print("{0} people bought Apples".format(num_apple_purchases))

该代码计算确定购买苹果的顾客数量。

创建几个词典用来存放计算结果，使用defaultdict，需要统计的量有规则应验、规则无效及条件相同的规则数量。

其中置信度的计算方法：

confidence = defaultdict(float)
for premise, conclusion in valid_rules.keys():
    confidence[(premise, conclusion)] = valid_rules[(premise, conclusion)] / num_occurences[premise]

定义打印规则：

def print_rule(premise, conclusion, support, confidence, features):
    premise_name = features[premise]
    conclusion_name = features[conclusion]
    print("Rule: If a person buys {0} they will also buy {1}".format(premise_name, conclusion_name))
    print(" - Confidence: {0:.3f}".format(confidence[(premise, conclusion)]))
    print(" - Support: {0}".format(support[(premise, conclusion)]))
    print("")

测试代码：

premise = 1
conclusion = 3
print_rule(premise, conclusion, support, confidence, features)

输出：

排序找出最佳规则

该代码输出支持度最高的前5条规则 ，

如果要按置信度排序：

我们可以看到结果，“顾客买苹果，也会买奶酪”和“顾客买奶酪，也会买香蕉”，这两条规则的支持度和置信度都很高。