Python 数据分析入门：Apriori 算法------如何从购物小票里找到高频组合
适合人群：Python 初学者 / 数据分析入门 / 数据挖掘入门 / 教学案例分享
学完"关联分析基础"之后，很多人都会接着遇到一个问题：
知道了什么是"经常一起买"，那到底怎么把这些高频商品组合系统地找出来？
比如校园超市有大量购物小票，人工去翻肯定不现实。
这时候更关心的是：
- 面包和牛奶是不是高频组合？
- 尿布和啤酒是不是经常一起出现？
- 三种、四种商品的组合还能不能继续往下找？
这就进入了关联分析里非常关键的一步：
频繁项集挖掘
而在频繁项集挖掘里，最经典、最适合入门理解的方法之一，就是：
Apriori 算法
它的核心任务可以概括成一句话：
从大量交易记录中，一层一层找出经常一起出现的商品组合。
本文继续沿用"校园超市购物小票分析"这个案例，带你理解：
- 什么是频繁项集
- 为什么关联规则挖掘要先找频繁项集
- Apriori 算法为什么能逐层搜索
- 什么叫"先验性质"
- 什么是连接与剪枝
- 如何用 Python 代码找出频繁项集
如果你已经理解了支持度、置信度和购物篮分析，这一篇就是最自然的下一步。
摘要
频繁项集挖掘是关联规则挖掘的基础，而 Apriori 算法是最经典的频繁项集挖掘方法之一。Apriori 采用逐层搜索的思路，从频繁1项集开始，逐步生成频繁2项集、频繁3项集，直到不能继续扩展为止。它利用"频繁项集的所有非空子集也一定频繁"这一特点压缩搜索空间，并通过连接与剪枝减少无效候选项。本文以校园超市购物小票为案例，结合 Python 代码演示如何完成 One-Hot 编码，并使用 apriori() 找出高频商品组合，帮助初学者理解 Apriori 的实际应用。
一、导语：超市真正关心的不是"哪个卖得多"，而是"哪些一起卖得多"
如果你是超市管理员，只知道下面这些信息，其实还不够：
- 面包卖得多
- 牛奶卖得多
- 尿布卖得多
因为这些信息只能说明单个商品的热度，却不能回答一个更有用的问题：
哪些商品适合搭配在一起卖？
举几个更实际的问题：
- 面包和牛奶是不是高频组合？
- 泡面和火腿肠是不是常常一起出现？
- 饮料和饼干适不适合做"第二件半价"？
这些问题背后，真正要解决的是：
从大量交易记录中系统地找出经常一起出现的商品组合。
而这种"经常一起出现的组合"，就叫做：
频繁项集
二、先从一个真实案例开始：校园超市的小票太多了，人工根本看不过来
假设学校超市已经积累了很多购物小票。
超市经理现在提出了这样一个需求：
- 不只是想知道单个商品卖得多不多
- 更想知道哪些商品组合最值得做促销
比如：
- 面包和牛奶是不是可以放在一起推荐？
- 尿布和啤酒这种组合到底是不是常见？
- 三件商品一起出现的情况，有没有值得重点关注的？
如果数据只有十几条，人工观察勉强还能做。
但如果是几百条、几千条甚至几万条交易记录，人工几乎不可能准确完成。
所以这里的问题就变成了：
怎么自动找出"经常一起买"的商品组合？
这就是 Apriori 要解决的事情。
三、什么是频繁项集？其实就是"高频商品组合"
先别被"频繁项集"这个名字吓到，它其实很好理解。
你可以把"项集"简单理解为：
一个商品组合
例如：
{面包}{牛奶}{面包, 牛奶}{面包, 牛奶, 尿布}
这些都叫项集。
如果某个商品组合在所有交易记录中出现得足够频繁，达到了我们设定的最小支持度要求，那它就叫：
频繁项集
也就是说：
- 项集：商品组合
- 频繁项集：出现次数足够多的商品组合
而关联规则挖掘的第一步，就是先从交易数据中找出所有的频繁项集。
四、为什么要先找频繁项集？
很多初学者会问：
为什么不直接从数据里生成规则，非要先找频繁项集？
原因其实很简单：
1. 规则数量太多，直接生成会很乱
如果不先筛掉低频组合，规则会多得离谱，而且很多根本没有意义。
2. 很多组合本身就很少出现
如果一个组合只出现过一次、两次，就算硬生成规则，也很难说明它有稳定规律。
3. 频繁项集是后续规则生成的基础
一般来说，关联规则的发现分两步：
- 先找频繁项集
- 再由频繁项集生成规则
所以，先把高频组合找出来，是更合理也更高效的路径。
五、Apriori 算法到底在做什么？
Apriori 可以理解为一种"逐层搜索高频组合"的方法。
它的思路其实很像这样：
第一步：先找高频单个商品
也就是频繁1项集，比如：
- 面包
- 牛奶
- 尿布
第二步：再找高频两件商品组合
也就是频繁2项集，比如：
{面包, 牛奶}{牛奶, 尿布}
第三步：再找高频三件商品组合
也就是频繁3项集，比如：
{面包, 牛奶, 尿布}
然后继续往下找，直到再也找不到满足条件的更大组合为止。
所以 Apriori 最核心的特点就是：
它不是一下子把所有组合都算出来，而是从小到大，一层一层往上找。
六、为什么 Apriori 可以一层一层往上找？
这就涉及 Apriori 最核心的一条思想，也叫：
先验性质
它说的是：
如果一个商品组合是频繁的，那么它的所有非空子集也一定是频繁的。
这句话第一次看有点绕，但其实很好理解。
举个例子：
如果 {面包, 牛奶, 尿布} 这个三项组合是频繁项集，
那它的子集：
{面包, 牛奶}{面包, 尿布}{牛奶, 尿布}{面包}{牛奶}{尿布}
也一定都是频繁的。
反过来说：
如果 {牛奶, 尿布} 都不是频繁项集，
那 {面包, 牛奶, 尿布} 就不可能是频繁项集。
这就是 Apriori 能提前淘汰很多无效组合的原因。
七、什么叫连接与剪枝？这是 Apriori 的关键动作
Apriori 在生成更高阶频繁项集时，主要有两个动作：
- 连接
- 剪枝
1. 连接：把小组合拼成大组合
比如已经知道下面两个 2 项集是频繁的：
{面包, 牛奶}{面包, 尿布}
那就可以尝试把它们连接起来，生成候选 3 项集：
{面包, 牛奶, 尿布}
这一步就是连接。
2. 剪枝：先把明显不可能的组合删掉
并不是所有连接出来的候选项集都值得保留。
如果一个候选项集的某个子集都不是频繁项集，那它自己也不可能频繁，可以直接删掉。
例如：
如果 {牛奶, 尿布} 根本不是频繁项集，
那 {面包, 牛奶, 尿布} 也不用继续算了。
这一步就叫：
剪枝
它的作用就是减少计算量，提高效率。
八、继续用校园超市案例：从购物小票中找高频组合
下面继续使用这个小型样例数据，模拟校园超市的购物记录。
python
transactions = [
['面包', '牛奶'],
['面包', '尿布', '啤酒', '鸡蛋'],
['牛奶', '尿布', '啤酒', '可乐'],
['面包', '牛奶', '尿布', '啤酒'],
['面包', '牛奶', '尿布', '可乐']
]这几张小票里，我们已经知道：
- 面包出现很多次
- 牛奶出现很多次
- 尿布出现很多次
现在更关心的是：
哪些商品组合达到了"高频组合"的标准？
这时候，就可以用 Apriori 来找频繁项集。
九、在写代码之前，先做一步数据准备：One-Hot 编码
Apriori 在 Python 里最常见的做法，是先把交易记录转换成 One-Hot 编码 的形式。
可以把它简单理解成一张"商品勾选表"：
- 每一行是一张购物小票
- 每一列是一个商品
- 买了记
True - 没买记
False
比如：
| 面包 | 牛奶 | 啤酒 |
|---|---|---|
| True | True | False |
| True | False | True |
这样一来，程序就更容易判断某个商品或组合在所有交易里出现了多少次。
十、Python 实操：用 Apriori 找频繁项集
下面直接上代码。
python
import pandas as pd
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori
transactions = [
['面包', '牛奶'],
['面包', '尿布', '啤酒', '鸡蛋'],
['牛奶', '尿布', '啤酒', '可乐'],
['面包', '牛奶', '尿布', '啤酒'],
['面包', '牛奶', '尿布', '可乐']
]
# 第一步：数据编码
te = TransactionEncoder()
te_array = te.fit(transactions).transform(transactions)
df = pd.DataFrame(te_array, columns=te.columns_)
print("One-Hot编码后的数据：")
print(df)
# 第二步：Apriori挖掘频繁项集
freq_items = apriori(df, min_support=0.6, use_colnames=True)
print("\n频繁项集：")
print(freq_items)输出:
log
One-Hot编码后的数据：
可乐 啤酒 尿布 牛奶 面包 鸡蛋
0 False False False True True False
1 False True True False True True
2 True True True True False False
3 False True True True True False
4 True False True True True False
频繁项集：
support itemsets
0 0.6 (啤酒)
1 0.8 (尿布)
2 0.8 (牛奶)
3 0.8 (面包)
4 0.6 (啤酒, 尿布)
5 0.6 (牛奶, 尿布)
6 0.6 (尿布, 面包)
7 0.6 (牛奶, 面包)十一、这段代码在做什么？
这段代码的关键步骤有两个。
1）把原始购物记录变成机器能读懂的表格
python
te = TransactionEncoder()
te_array = te.fit(transactions).transform(transactions)
df = pd.DataFrame(te_array, columns=te.columns_)这一部分是在做 One-Hot 编码。
原来每张小票是这样的：
python
['面包', '牛奶']转换之后，变成类似这样：
text
面包=True, 牛奶=True, 啤酒=False ...也就是：
- 买了什么，标记成
True - 没买什么，标记成
False
2）调用 Apriori 找出频繁项集
python
freq_items = apriori(df, min_support=0.6, use_colnames=True)这一步是真正的频繁项集挖掘。
参数里最重要的是：
min_support=0.6
它表示：
只保留支持度不低于 0.6 的项集
因为我们一共有 5 条交易记录，支持度 0.6 就意味着：
- 至少要出现在 3 条交易里，才算频繁
十二、运行结果应该怎么看？
运行后，通常会看到类似这样的结果：
text
support itemsets
0 0.8 (面包)
1 0.8 (牛奶)
2 0.8 (尿布)
3 0.6 (啤酒)
4 0.6 (面包, 牛奶)
5 0.6 (面包, 尿布)
6 0.6 (牛奶, 尿布)
7 0.6 (啤酒, 尿布)
8 0.6 (面包, 牛奶, 尿布)可以这样理解：
1. 单个商品也可以是频繁项集
比如：
(面包)支持度 0.8(牛奶)支持度 0.8(尿布)支持度 0.8
说明这些商品本身就是高频商品。
2. 两个商品组合也可能是频繁项集
比如：
(面包, 牛奶)支持度 0.6(啤酒, 尿布)支持度 0.6
说明这些组合经常一起出现。
3. 三个商品组合也可能继续保留
比如：
(面包, 牛奶, 尿布)支持度 0.6
说明三件商品一起出现的次数也达到了阈值要求。
这就是 Apriori "逐层往上找"的结果。
十三、为什么支持度阈值一改，结果会差很多？
这是 Apriori 特别适合教学观察的一点。
如果你把代码改成：
python
freq_items = apriori(df, min_support=0.4, use_colnames=True)你会发现：
- 结果变多了
- 一些原本不够频繁的组合也被保留下来了
如果改成：
python
freq_items = apriori(df, min_support=0.8, use_colnames=True)你又会发现：
- 结果明显变少
- 只有特别常见的项集才会留下来
所以可以直接记住：
- 支持度阈值越低，找到的频繁项集越多
- 支持度阈值越高，筛选越严格
这也是后面做实际项目时很重要的一步：
参数不同，挖出来的结果可能差异很大。
十四、这一课最核心要记住什么？
学完这一课，不需要立刻把算法伪代码背下来，但至少要先抓住下面几个核心点：
1）频繁项集是什么？
就是经常一起出现的商品组合。
2）为什么要先找频繁项集？
因为它是后续生成关联规则的基础。
3）Apriori 怎么找频繁项集？
它采用逐层搜索的方法：
- 先找频繁1项集
- 再找频繁2项集
- 再找频繁3项集
4）Apriori 为什么能剪枝？
因为它利用了先验性质：
频繁项集的所有非空子集也一定是频繁的。
5）代码里最关键的参数是什么？
是 min_support，也就是最小支持度阈值。
十五、结尾总结
这一课主要解决的是一个非常关键的问题：
如何从购物小票中系统地找出"经常一起买"的商品组合？
通过校园超市购物记录这个案例，可以先建立下面这几个核心认识：
- 频繁项集是经常一起出现的商品组合
- 关联规则挖掘的基础是先找频繁项集
- Apriori 是最经典的频繁项集挖掘算法之一
- 它采用逐层搜索的思路，从 1 项集逐步扩展到更高阶项集
- 它利用先验性质进行剪枝，从而减少无效计算
对于初学者来说，这一课最重要的不是背算法定义，而是先理解：
Apriori 的本质，就是帮我们从海量交易记录中，一层一层找出高频商品组合。
而下一步，自然就是：
已经找到高频组合了，怎么把它们变成真正有业务价值的规则？
这正是下一课要解决的问题。
写在最后
如果这篇文章对你有帮助，欢迎点赞、收藏、评论支持一下。
你在看频繁项集结果时，第一反应更关注：
- 哪个商品最常出现？
- 哪两个商品最适合搭配促销？
- 还是支持度阈值一改，结果变化为什么会这么大？
欢迎在评论区交流。