Transformer le data frame en transactions

Retour aux données de transactions de vente en ligne du chapitre 1 ! La version nettoyée du jeu de données est chargée dans votre espace de travail sous le nom Online_Retail_clean. Avant de pouvoir appliquer des algorithmes pour mener votre Market Basket Analysis, vous devez transactionnaliser vos données. Cela vous permettra d’extraire plus rapidement et plus efficacement des règles d’association par la suite.

Rappelez-vous que dans ce jeu de données, le produit ou l’article acheté est décrit dans la colonne Description, tandis que la colonne InvoiceNo correspond à un numéro de facture unique que vous pouvez considérer comme un identifiant de transaction.

Cet exercice fait partie du cours

Analyse de panier en R

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Splitting transactions
data_list = ___(Online_Retail_clean$___,
                  Online_Retail_clean$___)

Modifier et exécuter le code

Cet exercice fait partie du cours

Analyse de panier en R

IntermédiaireNiveau de compétence

4.9+

Commencer le cours gratuitement

Qu’y a‑t‑il dans votre panier ? Dans ce premier chapitre, vous allez découvrir comment l’analyse de panier (MBA) permet d’examiner des paniers et d’explorer des ensembles d’articles pour mieux comprendre vos clients et anticiper leurs besoins. Avec tidyverse et dplyr, vous verrez combien de paniers peuvent être créés à partir d’un ensemble d’articles donné, et vous comprendrez la puissance de l’analyse de panier pour les achats en ligne, en magasin, et même au‑delà du secteur de la distribution.

Exercise 1: Introduction à l’analyse des paniers d’achat Exercise 2: Paniers et articles Exercise 3: Panier unique Exercise 4: Qu’y a-t-il dans le panier ?Exercise 5: Combinaisons d’articles Exercise 6: Nombre de paniers possibles Exercise 7: Sous‑ensembles et sur‑ensembles Exercise 8: Tracer le nombre de paniers possibles Exercise 9: Qu’est-ce que l’analyse des paniers d’achats ?Exercise 10: Deux paniers Exercise 11: Paniers multiples Exercise 12: Examiner des articles spécifiques

Dans ce chapitre, vous convertirez des jeux de données transactionnels en format panier, prêts pour l’analyse avec l’algorithme Apriori. Vous serez ensuite présenté aux trois principales mesures de l’analyse de panier : support, confiance et lift, avant de passer à la pratique avec Apriori pour extraire des règles d’un jeu de données transactionnel. Enfin, vous explorerez comment le package arules est utilisé pour l’analyse de panier afin de récupérer des règles et vous aider à identifier les plus informatives et pertinentes.

Exercise 1: Données transactionnelles Exercise 2: Transformer le data frame en transactions

Exercice en cours

Exercise 3: Inspecteur retail Exercise 4: Densité de la matrice d’items ?Exercise 5: Mesures en analyse des paniers d’achats Exercise 6: La mesure de support Exercise 7: Mesures de confiance et de lift Exercise 8: Modifier l’apparence des règles Exercise 9: L’algorithme Apriori Exercise 10: Principe d’Apriori Exercise 11: Allons faire le plein de règles Exercise 12: Paramètres de apriori Exercise 13: « Si ceci, alors cela » avec apriori Exercise 14: Jouer avec l’argument appearance Exercise 15: Règles redondantes Exercise 16: Interprétation des règles

Place aux visuels. Dans ce chapitre, vous examinerez visuellement l’ensemble des règles que vous avez extraites auparavant. Les visualisations sont essentielles en analyse de panier, car vous traitez souvent de grands ensembles de règles. Vous utiliserez le package arulesViz pour créer des diagrammes en barres, des nuages de points et des graphes afin de visualiser vos ensembles de règles inférées. Vous transformerez ensuite ces graphiques en versions interactives, ce qui facilite l’exploration détaillée des règles d’association extraites.

Exercise 1: Voyons ce qu’il y a dans le panier Exercise 2: Que contient le panier ?Exercise 3: Quel est le plus populaire ?Exercise 4: Soigner ses visuels Exercise 5: Visualiser les métriques Exercise 6: Nuages de points Exercise 7: Graphiques ArulesViz Exercise 8: Donner vie aux règles Exercise 9: Des règles aux visualisations sous forme de graphes Exercise 10: Jouer avec les graphes Exercise 11: Comprendre le graphe Exercise 12: Portabilité de votre graphe Exercise 13: Autres graphiques de règles Exercise 14: Visualisations basées sur des matrices de groupes Exercise 15: Graphiques en coordonnées parallèles Exercise 16: Maîtriser le RuleExplorer

Cap sur le cinéma. Dans ce dernier chapitre, vous appliquerez l’ensemble de vos acquis sur un jeu de données de films. Grâce à l’analyse de panier, vous transformerez ce jeu de données en un système de recommandation de films, en exploitant les transactions pour comprendre et prédire ce que votre audience pourrait vouloir regarder ensuite.

Exercise 1: Récapitulatif sur les transactions Exercise 2: Se familiariser avec le jeu de données MovieLens Exercise 3: Transactions de films Exercise 4: Graphiques de fréquences Exercise 5: Extraction de règles d’association Exercise 6: Popularité des films Exercise 7: Choisir les bons paramètres de film Exercise 8: Extraction de règles sur les films Exercise 9: Visualiser les transactions et les règles Exercise 10: Où est Pulp Fiction ?Exercise 11: Visualiser les règles de films Exercise 12: Nos films préférés sous forme de graphe Exercise 13: Tirer le meilleur parti de l’analyse de paniers Exercise 14: Qu’est-ce qui a influencé Pulp Fiction ?Exercise 15: Qu’a influencé Pulp Fiction ?Exercise 16: Mettez en pratique vos compétences en market basket !