温馨提示：文末有 CSDN 平台官方提供的学长 QQ 名片

1. 项目背景

        本项目通过对数据挖掘领域中的关联规则经典算法Apriori,运用关联规则对某大型超市超市的部分数据进行分析、挖掘,判定发现不同类商品之间的关联度,挖掘出商品中隐藏的实用价值,进而在实际销售运作中有效地避免这类错误,给超市提出适当的货架销售建议与货架摆放依据,利于增加超市的运营利润。

2. 功能组成

        基于 Python 的大型超市商品销售关联度分析系统的主要功能包括：

3. Apriori关联挖掘算法

3.1 关联规则挖掘定义

        关联规则挖掘是数据挖掘领域的热点，关联规则反映一个对象与其他对象之间的相互依赖关系，如果多个对象之间存在一定的关联关系，那么一个对象可以通过其他对象进行预测。大多数关联规则挖掘算法通常采用的一种策略是，将关联规则挖掘任务分解为如下两个主要的子任务：

1. 频繁项集产生（Frequent Itemset Generation）其目标是发现满足最小支持度阈值的所有项集，这些项集称作频繁项集；
2. 规则的产生（Rule Generation）其目标是从上一步发现的频繁项集中提取所有高置信度的规则，这些规则称作强规则。关联分析的目标发现频繁项集；由频繁项集产生强关联规则，这些规则必须大于或等于最小支持度和最小置信度。

        关联分析的目标是：

1. 发现频繁项集；
2. 由频繁项集产生强关联规则，这些规则必须大于或等于最小支持度和最小置信度。

3.3 支持度

        支持度表示该数据项在事务中出现的频度。 数据项集X的支持度support(X)是D中包含X的事务数量与D的总事务数量之比，如下公式所示：

        关联规则X=>Y的支持度等于项集X∪Y的支持度，如下公式所示:

         如果support(X)大于等于用户指定的最小支持度minsup，则称X为频繁项目集，否则称X为非频繁项目集。

3.4 置信度

        置信度也称为可信度，规则 X=>Y 的置信度表示D中包含X的事务中有多大可能性也包含Y。表示的是这个规则确定性的强度，记作confidence(X=>Y)。通常，用户会根据自己的挖掘需要来指定最小置信度阈值，记为minconf。

         如果数据项集X满足support(X) >= minsup，则X是频繁数据项集。若规则X=>Y同时满足confidence(X=>Y)>=minconf，则称该规则为强关联规则，否则称为弱关联规则。一般由用户给定最小置信度阈值和最小支持度阈值。发现关联规则的任务就是从数据库中发现那些置信度、支持度大于等于给定最小阈值的强关联规则。

4. 基于 Python 的大型超市商品销售关联度分析系统

4.1 系统注册登录

4.2 超市产品销售数据展示

4.3 超市产品销售整体情况可视化分析

        针对超市近期销售数据进行统计分析和可视化：

@app.route('/product_analysis')def product_analysis():    """婴儿性别和年龄数据"""    type_counts = type_df['Types'].value_counts().reset_index()    type_counts = type_counts.sort_values(by='index')    # 用户一次购买商品数量分布    product_len_counts = {}    for pro in products: jian_shu = '{}件'.format(len(pro)) if jian_shu not in product_len_counts:     product_len_counts[jian_shu] = 0 product_len_counts[jian_shu] += 1    product_len_counts = sorted(product_len_counts.items(), key=lambda x: x[1], reverse=True)    product_counts = {}    for pros in products: for pro in pros:     if pro not in product_counts:  product_counts[pro] = 0     product_counts[pro] += 1    product_counts = sorted(product_counts.items(), key=lambda x: x[1], reverse=True)    return jsonify({ '类别': [g for g in type_counts['index'].values], '商品个数': type_counts['Types'].values.tolist(), '购买商品个数': [pc[0] for pc in product_len_counts], '购买商品个数人次': [pc[1] for pc in product_len_counts], '商品': [pc[0] for pc in product_counts], '购买商品的人数': [pc[1] for pc in product_counts],    })

4.4 超市产品关联分析与推荐 

@app.route('/clac_product_association//')def clac_product_association(min_support, min_threshold):    """计算产品之间的关联规则"""    te = TransactionEncoder()    # 进行 one-hot 编码    te_ary = te.fit(products).transform(products)    df = pd.DataFrame(te_ary, columns=te.columns_)    # 利用 Apriori 找出频繁项集    freq = apriori(df, min_support=float(min_support), use_colnames=True)    # 计算关联规则    result = association_rules(freq, metric="confidence", min_threshold=float(min_threshold))    # 关联结果按照置信度或提升度高进行排序    result = result.sort_values(by='confidence', ascending=False)    # 结果保存    result.to_csv('./results/product_association_min_support{}_{}.csv'.format(min_support, min_threshold),    encoding='utf8', index=False)    results = result.to_dict(orient='records')    for result in results: result['antecedents'] = str(result['antecedents'])[10: -1]  # 前因 result['consequents'] = str(result['consequents'])[10: -1]  # 后果    return jsonify(results)

 5. 总结

        本项目通过对数据挖掘领域中的关联规则经典算法Apriori,运用关联规则对某大型超市超市的部分数据进行分析、挖掘,判定发现不同类商品之间的关联度,挖掘出商品中隐藏的实用价值,进而在实际销售运作中有效地避免这类错误,给超市提出适当的货架销售建议与货架摆放依据,利于增加超市的运营利润。 

 欢迎大家点赞、收藏、关注、评论啦 ，由于篇幅有限，只展示了部分核心代码。

技术交流认准下方 CSDN 官方提供的学长 QQ 名片

精彩专栏推荐订阅：

Python 毕设精品实战案例