基于Aprior超市客户购物习惯的关联规则分析与研究-Aprior机器学习算法机器学习实战

本课题针对超市客户购物习惯分析需求，设计并实现了一套基于Flask框架的零售数据分析系统。系统通过解析交易数据中的发票记录、商品信息和时间戳，构建了包含销售趋势分析、热销商品统计、时间模式挖掘和关联规则发现四大功能模块的交互式仪表盘。采用Apriori算法挖掘商品间的关联规则，结合时间维度分析日、周、季度的销售波动规律，帮助管理者识别客户购买特征。系统使用Python完成数据处理与算法实现，通过Streamlit框架搭建可视化界面，能够自动计算销售额分布、生成商品排行榜及关联规则解释。测试结果表明，系统在5000条模拟数据中准确识别出预设的强关联规则，日均数据处理时间控制在3分钟以内，可为商品陈列优化和促销策略制定提供数据支持。研究成果为中小型超市提供了低成本的数据分析解决方案，具有实际应用价值。

关键字：Flask框架；Apriori算法；关联规则；数据可视化

基础统计信息仪表板中，以表格的形式展示热销商品的详细信息，包括商品描述、总销量、总销售额和交易次数信息。如下图5-10所示：

图5-10 热销商品_2

基础统计信息仪表板中，商品购买频次分析图展示购买频次和商品数量的数据分布。如下图5-11所示：

图5-11 热销商品_3

5.4 关联规则分析

右侧单选框选择关联规则分析，左侧零售数据分析仪表板显示关联规则分析信息的图表信息，先选择通过滑动框选择最小支持度和最小提升度的值。再点击生成关联规则生成关联规则信息图表。如下图5-12所示：

图5-12 关联规则分析_1

关联规则生成后，以表格的形式展示关联规则，包括前置商品信息、后置商品信息、支持度、置信度和提升度信息。如下图5-13所示：

图5-13 关联规则分析_2

关联规则散点图展示支持度、置信度和提升都的关系和分布信息，如下图5-14所示：

图5-14 关联规则分析_3

T5最强关联规则解释，以文本的形式解释信息，文本规范为规则数k:

如果顾客购买了商品m那么有多少的概率会购买商品n这些商品同时出现的概率为多少，提升度为h为如下图5-15所示：