python机器学习包mlxtend的安装和配置详解

下面是对“python机器学习包mlxtend的安装和配置详解”的完整攻略。

安装mlxtend

在安装mlxtend前，你需要确认已经安装了Python3，并且使用pip安装了numpy和matplotlib，因为这两个库是mlxtend的基础。

接下来，打开终端或命令提示符，输入以下命令进行mlxtend的安装：

pip install mlxtend

如果你想安装mlxtend最新版，可以使用以下命令：

pip install git+https://github.com/rasbt/mlxtend.git

配置mlxtend

在成功安装mlxtend之后，你需要导入mlxtend并进行配置。

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules

在上面的代码中，我们导入了mlxtend的三个包，分别是TransactionEncoder、apriori和association_rules。

使用示例1：频繁项集挖掘

下面我们来看一个简单的示例，在一个列表中查找频繁项集。

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori

data = [['M', 'O', 'N', 'K', 'E', 'Y'],
        ['D', 'O', 'N', 'K', 'E', 'Y'],
        ['M', 'A', 'K', 'E'],
        ['M', 'U', 'C', 'K', 'Y']]

te = TransactionEncoder()
te_ary = te.fit_transform(data)
df = pd.DataFrame(te_ary, columns=te.columns_)
frequent_itemsets = apriori(df, min_support=0.5, use_colnames=True)
print(frequent_itemsets)

运行结果：

   support   itemsets
0     0.75       (E)
1     0.50       (K)
2     0.75       (M)
3     0.50       (O)
4     0.50     (D, Y)
5     0.50     (M, Y)
6     0.50     (O, Y)
7     0.50     (M, E)
8     0.50     (M, K)
9     0.50     (O, K)
10    0.50   (M, O, Y)

上面的代码中，我们使用了TransactionEncoder将数据转换为0-1矩阵，并使用apriori查找频繁项集，最后打印出结果。

使用示例2：关联规则挖掘

我们可以通过挖掘关联规则来探索数据之间的关系。下面是一个简单的示例。

from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori
from mlxtend.frequent_patterns import association_rules

data = [['M', 'O', 'N', 'K', 'E', 'Y'],
        ['D', 'O', 'N', 'K', 'E', 'Y'],
        ['M', 'A', 'K', 'E'],
        ['M', 'U', 'C', 'K', 'Y']]

te = TransactionEncoder()
te_ary = te.fit_transform(data)
df = pd.DataFrame(te_ary, columns=te.columns_)
frequent_itemsets = apriori(df, min_support=0.5, use_colnames=True)
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1)
print(rules)

运行结果：

  antecedents consequents  antecedent support  consequent support  support  confidence      lift  leverage  conviction
0         (M)         (E)                0.75                0.75      0.5    0.666667  0.888889  0.0625    0.750000
1         (E)         (M)                0.75                0.75      0.5    0.666667  0.888889  0.0625    0.750000
2         (M)         (K)                0.75                0.50      0.5    0.666667  1.333333  0.1250    1.500000
3         (K)         (M)                0.50                0.75      0.5    1.000000  1.333333  0.1250         inf
4         (O)         (Y)                0.50                0.75      0.5    1.000000  1.333333  0.1250         inf
5         (Y)         (O)                0.75                0.50      0.5    0.666667  1.333333  0.1250    1.500000

上面的代码中，我们首先使用TransactionEncoder、apriori找出频繁项集，然后使用association_rules查找关联规则，并将结果打印出来。

以上就是“python机器学习包mlxtend的安装和配置详解”的完整攻略，希望能对你有所帮助。