如今这个社会是一个数字社会，在各大领域里面最为显著的应该是数据吧。就目前而言，大数据已经越来越流行了，我们不管在什么领域上都能接触到数据的，并且现在很多企业已经累积了大量的数据。很多人开始朝向大数据开发以及大数据分析这两个方向发展了。
那么也许你会问，哪个方向更加值得转行呢？很多人也在这两个方向纠结，在这里我想告诉你们的是，没有什么是最优选择，你感兴趣的才是最好的选择。这边，我选择的是大数据分析！现在让我们进入数据分析的一个环节——数据挖掘。
数据挖掘简介
数据挖掘旨在让计算机根据已有数据做出决策。决策可以是预测明年的销量，人口的数目，拦截垃圾邮件，检测网站的语言。到目前为止，数据挖掘已经有很多的应用，即使这样很多新的应用领域也在不断出现。
数据挖掘涉及到算法，最优策略，统计学，工程学和计算机科学相关领域的知识。除此之外我们还会用到语言学，神经科学，城市规划等其他领域的概念或知识。想要充分发挥数据挖掘的威力，算法肯定是必备的。（在这里推荐读者去刷一刷LeetCode）
一般来说数据挖掘有这三个基本步骤：1、创建数据集。数据集能直接反应一些真实事件；2、选择算法。选择一个合适的算法才能更好的对数据进行处理；3、优化算法。每种数据挖掘算法都有参数，它们或是算法自身包含的，或是使用者添加的，这些参数会影响算法的具体决策。
亲和性分析案例
现在让我们用一个例子说明。不知道你逛超市的时候，是否发现超市里面基本上都是按照商品的种类来分区域的，然而有些东西是存在例外的，一件商品的旁边摆放着不一样种类的商品。不知道你是否有发现这个现象，有没有对此感到不解。这边我想跟你说的是，这种摆放也是有道理的，这个道理是商品之间的亲和性！
前置知识：
代码语言：javascript复制（1）defaultdict(int)：初始化为 0
（2）defaultdict(float)：初始化为 0.0
（3）defaultdict(str)：初始化为 ''
这里的defaultdict(function_factory)构建的是一个类似dictionary的对象其中keys的值，自行确定赋值，但是values的类型，是function_factory的类实例而且具有默认值。比如default(int)则创建一个类似dictionary对象里面任何的values都是int的实例，而且就算是一个不存在的key, d[key] 也有一个默认值，这个默认值是int()的默认值0。
代码实现
现在进行代码部分：
代码语言：javascript复制import numpy as np
from collections import defaultdict
dataset_filename = "affinity_dataset.txt"
features = ["bread","milk","cheese","apple","banana"] #猜一下这个是干嘛用的
X = np.loadtxt(dataset_filename)
print(X[:5]) #打印前五行的购物信息
统计一下购买苹果和香蕉的人数：
代码语言：javascript复制num_apple_purchases = 0 # 初始化一个购买苹果人数的变量
for sample in X:
if sample[3] == 1:
num_apple_purchases =1
print("{0} people bought Apples ".format(num_apple_purchases))
num_banana_purchases = 0
for sample in X:
if sample[4] == 1:
num_banana_purchases = 1
print("{0} people bought banana".format(num_banana_purchases))
现在为了计算规则的置信度还有支持度，我们可以用字典的形式来存放计算结果：
代码语言：javascript复制valid_rules = defaultdict(int)
invalid_rules = defaultdict(int)
num_occurances = defaultdict(int)
for sample in X:
for premise in range(4):
if sample[premise] ==0 :
continue
num_occurances[premise] =1 #当顾客有购买物品时key对应的时value变为1
for conclusion in range(4):
if premise == conclusion: #访问同一个key 的时候是没有意义的直接跳过
continue
if sample[conclusion] == 1:
valid_rules[(premise,conclusion)] =1
else:
invalid_rules[(premise,conclusion)] =1得到所有必要的统计量后，我们再来计算每条规则的支持度和置信度。如前所述，支持度就是规则应验的次数：
代码语言：javascript复制support = valid_rules
#置信度的计算方法类似，遍历每条规则进行计算
confidence = defaultdict(float)
for premise,conclusion in valid_rules.keys():
rule = (premise,conclusion)
confidence[rule] = valid_rules[rule]/num_occurances[premise]
声明一个函数，接收的参数有：分别作为前提条件和结论的特征索引值、支持度字典、置信度字典以及特征列表。
代码语言：javascript复制def print_rule(premise, conclusion,support , confidence,features):
premise_name = features[premise]
conclusion_name = features[conclusion]
print("Rule:if a person buys {0} they will also buy {1} ".format(premise_name,conclusion_name))
print(" - Support : {0}".format(support[(premise,conclusion)]))
print(" - Confidence : {0:.3f}".format(confidence[(premise,conclusion)]))
premise = 1
conclusion = 3
features = ["bread","milk","cheese","apple","banana"]
print_rule(premise,conclusion,support,confidence,features)
from operator import itemgetter
sorted_support = sorted(support.items(),key=itemgetter(1),reverse=True)
排序完成后，就可以输出支持度最高的前5条规则：
代码语言：javascript复制for index in range(5):
print("Rule #{0}".format(index 1))
premise,conclusion = sorted_support[index][0]
print_rule(premise,conclusion,support,confidence,features)
以上就是我们这次所学的数据挖掘之商品亲和性分析了。
