R_Studio(关联)使用apriori函数简单查看数据存在多少条关联规则，并按支持度降序排序输出

　　

　　查看数据menu_orders.txt文件存在多少条关联规则，并按支持度降序排序输出

　　

#导入arules包
install.packages("arules")
library ( arules )

setwd('D:\\data')
Gary<- read.transactions("menu_orders.txt", format = "basket", sep=",")
summary(Gary)  

#查看部分规则
inspect(Gary)  

#支持度0.2,置信度0.5
rules0=apriori(Gary,parameter=list(support=0.2,confidence=0.5))

#按支持度降序排序输出
rules0.sorted_sup = sort(rules0, by="support")

#读取rules0中存在多少条数据
rules0
inspect(rules0)

Gary.R

apriori函数

　　apriori(data, parameter = NULL, appearance = NULL, control = NULL)

　　data:数据
　　parameter　　设置参数，默认情况下parameter=list(supp=0.1,conf=0.8,maxlen=10,minlen=1,target=”rules”)
　　supp:　　支持度（support）
　　conf:　　置信度（confidence）
　　maxlen,minlen:　　每个项集所含项数的最大最小值（lhs+rhs的长度)
　　target:　　“rules”或“frequent itemsets”（输出关联规则/频繁项集）
　　apperence:　　对先决条件X（lhs），关联结果Y（rhs）中具体包含哪些项进行限制，如：设置lhs=beer，将仅输出lhs含有beer这一项的关联规则。默认情况下，所有项都将无限制出现。
　　control:　　控制函数性能，如可以设定对项集进行升序sort=1或降序sort=-1排序，是否向使用者报告进程（verbose=F/T）

排序：

　　通过支持度控制：rules.sorted_sup = sort(rules, by=”support”)
　　通过置信度控制：rules.sorted_con = sort(rules, by=”confidence”)
　　通过提升度控制：rules.sorted_lift = sort(rules, by=”lift”)

read.transactions(file, format =c("basket", "single"), sep = NULL,

           cols = NULL, rm.duplicates =FALSE, encoding = "unknown")

file:文件名，对应click_detail中的“click_detail.txt”

format:文件格式，可以有两种，分别为“basket”,“single”，click_detail.txt中用的是basket。basket: basket就是篮子，一个顾客买的东西都放到同一个篮子，所有顾客的transactions就是一个个篮子的组合        结果。如下形式，每条交易都是独立的。single: single的意思，顾名思义，就是单独的交易，简单说，交易记录为：顾客1买了产品1， 顾客1买了产品2，顾客2买了产品3……(产品1，产品2，产品3中可以是单个产品，也可以是多个产品)

sep:文件中数据是怎么被分隔的，默认为空格，click_detail里面用逗号分隔

cols:对basket, col=1,表示第一列是数据的transaction ids(交易号)，如果col=NULL，则表示数据里面没有交易号这一列；对single，col=c(1,2)表示第一列是transaction ids，第二列是item ids

rm.duplicates:是否移除重复项，默认为FALSE

encoding:写到这里研究了encoding是什么意思，发现前面txt可以不是”ANSI”类型，如果TXT是“UTF-8”，写encoding=”UTF-8”。

read.transactions函数

实现过程

　　读取数据并展示

> setwd('D:\\data')
> Gary<- read.transactions("menu_orders.txt", format = "basket", sep=",")
> summary(Gary)
transactions as itemMatrix in sparse format with　　　　　　　　
 10 rows (elements/itemsets/transactions)                  #10行（元素/项集/事务）
 5 columns (items) and a density of 0.54 　　　　　　　　　　　#5列（项）和0.54的密度

most frequent items:
      b       a       c       e       d (Other)
      8       7       7       3       2       0 

element (itemset/transaction) length distribution:　　　　　　#元素（项集/事务）长度分布
sizes
2 3 4
5 3 2 

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
    2.0     2.0     2.5     2.7     3.0     4.0 

includes extended item information - examples:
  labels
1      a
2      b
3      c

　　查看部分规则

> inspect(Gary)
     items
[1]  {a,c,e}
[2]  {b,d}
[3]  {b,c}
[4]  {a,b,c,d}
[5]  {a,b}
[6]  {b,c}
[7]  {a,b}
[8]  {a,b,c,e}
[9]  {a,b,c}
[10] {a,c,e} 

　　支持度0.2,置信度0.5

> rules0=apriori(Gary,parameter=list(support=0.2,confidence=0.5))
Apriori

Parameter specification:
 confidence minval smax arem  aval originalSupport maxtime support minlen maxlen target   ext
        0.5    0.1    1 none FALSE            TRUE       5     0.2      1     10  rules FALSE

Algorithmic control:　　　　　　　　　　　　　　　　　　　　#算法控制：
 filter tree heap memopt load sort verbose　　　　　　　#过滤树堆
    0.1 TRUE TRUE  FALSE TRUE    2    TRUE

Absolute minimum support count: 2 　　　　　　　　　　　　#绝对最小支持计数：2

set item appearances ...[0 item(s)] done [0.00s].
set transactions ...[5 item(s), 10 transaction(s)] done [0.00s].
sorting and recoding items ... [5 item(s)] done [0.00s].
creating transaction tree ... done [0.00s].
checking subsets of size 1 2 3 done [0.00s].
writing ... [18 rule(s)] done [0.00s].
creating S4 object  ... done [0.00s].

　　

　　按支持度降序排序输出

> rules0.sorted_sup = sort(rules0, by="support")
> rules0
set of 18 rules 
#根据支持度对求得的关联规则子集进行查看
> inspect(rules0)
     lhs      rhs support confidence lift      count
[1]  {}    => {c} 0.7     0.7000000  1.0000000 7
[2]  {}    => {b} 0.8     0.8000000  1.0000000 8
[3]  {}    => {a} 0.7     0.7000000  1.0000000 7
[4]  {d}   => {b} 0.2     1.0000000  1.2500000 2
[5]  {e}   => {c} 0.3     1.0000000  1.4285714 3
[6]  {e}   => {a} 0.3     1.0000000  1.4285714 3
[7]  {c}   => {b} 0.5     0.7142857  0.8928571 5
[8]  {b}   => {c} 0.5     0.6250000  0.8928571 5
[9]  {c}   => {a} 0.5     0.7142857  1.0204082 5
[10] {a}   => {c} 0.5     0.7142857  1.0204082 5
[11] {b}   => {a} 0.5     0.6250000  0.8928571 5
[12] {a}   => {b} 0.5     0.7142857  0.8928571 5
[13] {c,e} => {a} 0.3     1.0000000  1.4285714 3
[14] {a,e} => {c} 0.3     1.0000000  1.4285714 3
[15] {a,c} => {e} 0.3     0.6000000  2.0000000 3
[16] {b,c} => {a} 0.3     0.6000000  0.8571429 3
[17] {a,c} => {b} 0.3     0.6000000  0.7500000 3
[18] {a,b} => {c} 0.3     0.6000000  0.8571429 3