Effectuer une agrégation

Après quelques mandats de consultation pour une bibliothèque et un vendeur de livres numériques, vous recevez enfin votre premier grand projet d'analyse de paniers d'achats : conseiller un détaillant en ligne d'articles-cadeaux originaux sur les promotions croisées. Comme ce détaillant n'a jamais engagé de spécialiste des données, il souhaite que vous commenciez par explorer ses données de transactions. Il vous a demandé d'effectuer une agrégation pour toutes les signs du jeu de données et de calculer aussi le support pour cette catégorie. Notez que pandas a été importé pour vous sous le nom pd. De plus, les données ont été importées en format à indicateurs binaires (one-hot encoding) sous le nom onehot.

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

Instructions de l’exercice

Sélectionnez le sous-ensemble des colonnes du DataFrame qui contient la chaîne sign.
Affichez le support pour signs.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Select the column headers for sign items
sign_headers = [i for i in onehot.columns if i.lower().find('sign')>=0]

# Select columns of sign items using sign_headers
sign_columns = onehot[____]

# Perform aggregation of sign items into sign category
signs = sign_columns.sum(axis = 1) >= 1.0

# Print support for signs
print('Share of Signs: %.2f' % ____.mean())

Modifier et exécuter le code

Cette activité fait partie du cours

Analyse des paniers d'achat en Python

SkillTag.level.intermediateSkillTag.label

4.9+

Commencer le cours gratuitement

Dans ce chapitre, vous verrez les bases de l'analyse des paniers d'achat : règles d'association, mesures et élagage. Vous appliquerez ensuite ces concepts pour aider une petite épicerie à améliorer ses efforts de promotion et l'emplacement de ses produits.

Exercise 1: Qu'est-ce que l'analyse du panier de magasinage?Exercise 2: Les bases de l'analyse de paniers d'achat Exercise 3: Vente croisée de produits Exercise 4: Repérer les règles d'association Exercise 5: Antécédents et conséquents multiples Exercise 6: Préparer les données pour l'analyse des paniers d'achat Exercise 7: Générer des règles d'association Exercise 8: La mesure la plus simple Exercise 9: Encodage one-hot des données de transactions Exercise 10: Calculer la mesure de soutien (support)

Les règles d'association indiquent que deux articles ou plus sont liés. Les mesures permettent de quantifier l'utilité de ces relations. Dans ce chapitre, vous appliquerez six mesures pour évaluer des règles d'association : approvisionnement, confiance, lift, conviction, levier et la mesure de Zhang. Vous utiliserez ensuite des règles d'association et des mesures pour aider une bibliothèque et un vendeur de livres numériques.

Exercise 1: Confiance et rapport d'élévation Exercise 2: Recommander des livres avec l'appui Exercise 3: Affiner le support avec la confiance Exercise 4: Affiner davantage avec le lift Exercise 5: Leverage et conviction Exercise 6: Portée (lift) versus levée (leverage)Exercise 7: Calculer la conviction Exercise 8: Calculer la conviction avec une fonction Exercise 9: Promouvoir des livres numériques avec conviction Exercise 10: Association et dissociation Exercise 11: Calcul de l'association et de la dissociation Exercise 12: Définir la mesure de Zhang Exercise 13: Application de la métrique de Zhang Exercise 14: Règles avancées Exercise 15: Filtrer avec le support et la conviction Exercise 16: Utiliser un filtrage multi-métriques pour la promotion croisée de livres

Le défi fondamental de l'analyse des paniers d'achat consiste à traduire une grande quantité de décisions de clients en un petit nombre de règles utiles. Ce processus commence généralement par l'algorithme Apriori et fait appel à d'autres stratégies, comme l'élagage et l'agrégation. Dans ce chapitre, vous apprendrez à utiliser ces méthodes et les appliquerez dans des exercices où vous aiderez un détaillant à choisir l'aménagement d'un magasin physique et à réaliser des promotions croisées de produits.

Exercise 1: Agrégation Exercise 2: Effectuer une agrégation

Exercice en cours

Exercise 3: Définir une fonction d'agrégation Exercise 4: L'algorithme Apriori Exercise 5: Élagage et Apriori Exercise 6: Repérer les itemsets fréquents avec Apriori Exercise 7: Choisir un seuil de support Exercise 8: Élagage de base des résultats d'Apriori Exercise 9: Générer des règles d'association Exercise 10: Élagage avec le lift Exercise 11: Élagage selon la confiance Exercise 12: Élagage avancé des résultats d'Apriori Exercise 13: Agrégation et filtrage Exercise 14: Application de la règle de Zhang Exercise 15: Filtrage avancé avec plusieurs mesures

Dans ce dernier chapitre, vous verrez comment les visualisations servent à orienter l'élagage et à résumer les résultats finaux, qui prennent généralement la forme d'ensembles d'articles ou de règles. Vous maîtriserez les trois visualisations les plus utiles — cartes thermiques, nuages de points et tracés à coordonnées parallèles — et vous les appliquerez pour aider un service de diffusion de films en continu.

Exercise 1: Cartes thermiques Exercise 2: Visualiser le support des itemsets Exercise 3: Cartes thermiques avec le lift Exercise 4: Interpréter les cartes thermiques Exercise 5: Nuages de points Exercise 6: Élagage avec des nuages de points Exercise 7: Optimalité de la frontière support-confiance Exercise 8: Diagramme à coordonnées parallèles Exercise 9: Utiliser des coordonnées parallèles pour visualiser des règles Exercise 10: Affiner un graphique en coordonnées parallèles Exercise 11: Félicitations !