Začněte nyníZačněte zdarma

Agregace a filtrování

Ve videu jsme pomáhali manažerce prodejny s dárkovým zbožím uspořádat sekce v její kamenné prodejně podle asociačních pravidel. Dispozice obchodu nás přinutila seskupit sekce do dvou párů typů produktů. Po použití pokročilých technik filtrování jsme navrhli rozmístění podlaží níže.

The image shows the store layout that was selected in the video.

Manažerka prodejny tě nyní žádá o další návrh půdorysu, ale s jiným kritériem: každý pár sekcí by měl obsahovat jeden produkt s vysokou podporou a jeden s nízkou podporou. Data aggregated už jsou za tebe agregována a zakódována metodou one-hot encoding. Funkce apriori() a association_rules() jsou naimportovány z mlxtend.

Toto cvičení je součástí kurzu

Market Basket Analysis v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vygeneruj sadu častých itemsetů s minimálním prahem podpory 0,0001.
  • Identifikuj všechna pravidla s minimálním prahem podpory 0,0001.
  • Vyber všechna pravidla s podporou antecedentu větší než 0,35.
  • Vyber všechna pravidla s maximální podporou konsekventu nižší než 0,35.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Apply the apriori algorithm with a minimum support of 0.0001
frequent_itemsets = apriori(aggregated, ____, use_colnames = True)

# Generate the initial set of rules using a minimum support of 0.0001
rules = association_rules(frequent_itemsets, 
                          metric = "____", min_threshold = ____)

# Set minimum antecedent support to 0.35
rules = rules[____['antecedent support'] > ____]

# Set maximum consequent support to 0.35
rules = rules[____ < 0.35]

# Print the remaining rules
print(rules)
Upravit a spustit kód