ComeçarComece de graça

Agregação e filtragem

No vídeo, ajudamos a gerente de uma loja de presentes a organizar as seções da loja física com base em regras de associação. O layout da loja nos obrigou a agrupar as seções em dois pares de tipos de produto. Depois de aplicar técnicas avançadas de filtragem, propusemos o layout de piso abaixo.

A imagem mostra o layout da loja que foi selecionado no vídeo.

Agora, a gerente da loja está pedindo que você gere outra proposta de planta, mas com um critério diferente: cada par de seções deve conter um produto de alto suporte e um de baixo suporte. Os dados, aggregated, já foram agregados e convertidos para one-hot encoding para você. Além disso, apriori() e association_rules() foram importados de mlxtend.

Este exercício faz parte do curso

Análise de Cesta de Compras em Python

Ver curso

Instruções do exercício

  • Gere o conjunto de itemsets frequentes com um limite mínimo de suporte de 0,0001.
  • Identifique todas as regras com um limite mínimo de suporte de 0,0001.
  • Selecione todas as regras com antecedent support maior que 0,35.
  • Selecione todas as regras com suporte do consequente máximo menor que 0,35.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)
Editar e executar o código