上一篇文章中，我们使用Tableau Prep完成了关联分析，也就是购物篮分析。这篇文章我们首先使用Knime来完成关联分析。
KNIME是一个免费的开源软件，用于创建数据科学应用程序和服务。它直观，开放，不断整合新的开发，使人们可以理解数据，设计数据科学工作流程和可重用组件。类似的商用软件还有Alteryx和Rapidminer。
如下图所示，使用Knime完成关联规则的分析，主要分三步：
第一步，使用Excel Reader节点读入数据，此数据与上一篇文章中使用的数据一致。
第二步，使用GroupBy节点对数据进行分组聚合，聚合结果是List列表形式（如下图所示）。聚合为List列表形式并不常见，尤其是在Tableau中并没有这种聚合方式。
聚合结果如下图所示，每笔订单已经被聚合为一行数据，聚合后的商品以List列表形式存在。
第三步，使用使用数据挖掘算法中的Association Rule Learner或者Association Rule Learner(Borgelt)节点都可以完成算法的构建。
以Association Rule Learner节点为例，首选要在节点设置页中选择要计算的列，这里是“List(商品名称)”一列，最关键的是要提前定义好支持度的阈值，也就是剪枝的标准。其他选项大家可以自行尝试，包括计算的方法，商品组合的最大长度、最小置信度等。
我设置之后，输出的结果就是支持度大于0.25，置信度大于0.8的商品组合。其实有两种商品的组合，也有三种商品的组合，比手工Join联接计算要简便的多。Association Rule Learner(Borgelt)节点与Association Rule Learner节点大同小异，但输出的指标要更丰富一点，大家可以自行尝试。
下面我们再用Python来完成算法的构建。
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules
import pandas as pd
# 定义数据集
dataset = [
[1, '黄油'],
[1, '鸡蛋'],
[1, '面包'],
[1, '牛奶'],
[2, '黄油'],
[2, '水果'],
[3, '鸡蛋'],
[3, '面包'],
[3, '牛奶'],
[4, '黄油'],
[4, '鸡蛋'],
[4, '面包'],
[4, '牛奶'],
[5, '牛奶'],
[5, '水果'],
[5, '芝士'],
[6, '黄油'],
[6, '黄油'],
[6, '鸡蛋'],
[6, '牛奶'],
[7, '水果'],
[7, '芝士'],
[8, '面膜']
]
# 将数据集按订单ID进行分组（类似于Knime中的groupby节点，制作商品list）
transactions = {}
for item in dataset:
order_id, product = item
if order_id in transactions:
transactions[order_id].append(product)
else:
transactions[order_id] = [product]
# 转换数据集格式
te = TransactionEncoder()
te_ary = te.fit_transform(transactions.values())
df = pd.DataFrame(te_ary, columns=te.columns_)
# 使用Apriori算法计算频繁项集
frequent_itemsets = apriori(df, min_support=0.25, use_colnames=True)
# 根据频繁项集计算关联规则
rules = association_rules(frequent_itemsets, metric='confidence', min_threshold=0.8)
利用mlxtend库的apriori和association_rules算法，首先要对数据进行预处理，改成独热编码（One-Hot Encoding）的形式。
如下图所示，我们输出的df已经被改成了One-Hot Encoding形式：
最后可以打印出频繁项集和关联规则：
使用同样的阈值，输出结果和Knime有一定的区别，可能是由于软件内部的算法略有不同导致。
自此，我们通过三篇文章完成了购物篮分析这个系列，了解了关联规则apriori算法的原理，并使用不同工具完成了算法的构建。对于初学者或者简单应用场景来说，Tableau prep和Tableau Desktop都可以胜任，但如果是复杂场景，还是推荐使用专业的数据挖掘工具来完成。
