newolivar0.docxVIP

setwd(E:/TB related/Service/2016/3 18 newolivar)library(arules) # 读取arules 软件包 a_df3=read.csv(ppp1.csv)head(a_df3)## X a b c d e f g## 1 date1 3 1 1 2 1 1 1## 2 date2 1 2 2 1 2 2 1## 3 date3 1 1 2 2 2 1 2## 4 date4 2 1 2 2 2 1 2## 5 date5 2 1 1 1 1 2 1## 6 date6 1 1 2 3 2 1 1#将数据转化成交易数据a_df3=a_df3[,-1]#设置时间间隔interval=2rawdata=a_df3#筛选时间跨度数据for(n in 1:floor(nrow(rawdata)/interval)){a_df3=rawdata[((n-1)*interval+1):(n*interval),]## set dim namesa_df3=unlist(a_df3)a_df3=matrix(a_df3,ncol = 7)a_df3=t(a_df3)dimnames(a_df3) - list(c(a,b,c,d,e,f,g), paste(Tr,c(1:ncol(a_df3)), sep = ))a_df3=t(a_df3)a_df3=a_df3-1## coercetrans2 - as(a_df3, transactions)trans2# inspect(trans2)#查看数据结构dat1=trans2#查看部分交易数据# inspect(dat1[1:5])#查看每个商品的出现频率par(mfrow=c(1,1))itemFrequencyPlot(dat1, support = 0.02, cex.names=0.8)#可以看到每个物品出现的频率，从而判断哪些物品的支持度较高frequentsets=eclat(dat1,parameter=list(support=0.02,maxlen=10)) #得到频繁规则挖掘# inspect(frequentsets[1:5]) #察看求得的频繁项集 ## inspect(sort(frequentsets,by=support)[1:5]) #根据支持度对求得的频繁项集排序并察看（等价于inspect(sort(frequentsets)[1:10]）####关联规则挖掘#建立模型rules=apriori(dat1,parameter=list(support=0.01,confidence=0.3)) #求关联规则#设置支持度为0.01，置信度为0.3summary(rules)#查看规则#查看部分规则inspect(head(rules))#查看置信度 支持度和提升度quality(head(rules))#安装arules可视化包# install.packages(arulesViz)library(arulesViz)#绘制不同规则图形来表示支持度，置信度和提升度par(mfrow=c(1,1))plot(rules, method=grouped)#同过改图 可以看到 规则前项和规则后项分别有哪些物品 以及每个物品#的支持度大小，支持度越大则圆圈越大。plot(rules, method=graph)plot(rules, method = NULL, measure = support, shading = lift, interactive = FALSE) #从该图可以看到支持度和置信度的关系，置信度越高提升度也越高plot(rules)plot(rules, measure=c(support, lift), shading=confidence)#从该图可以看到支持度和置信度的关系，提升度越高置信度也越高plot(rules, method=matrix3D, measure=lift)plot(rules, method=graph)#从上图可以看到 不同物品之间的关联关系 图中的点越大说明该物品的支持度越高#颜色越深说明该物品的提升度越高。#plot(rules, method=doubledecker )#查看最高的支持度样本规则rules - sort(rules, by=support)inspect(head(rules, n=10))#查看最高置信度样本规则rules - sort(rules, by=confidence)inspect(head(rules, n=10))rules - sort(rules, by=lift)#查看最高提升度样本规则insp