博客

本文讲解的是机器学习中一个算法的应用：

关联规则分析

整个故事从一张校园卡开始。相信小伙伴们都用过校园卡，它是一种其个人身份认证、校园消费、数据共享等多功能于一体的校园信息集成与管理系统。在它里面存储着大量的数据，包含：学生消费、宿舍门禁、图书馆进出等。

本文使用的是南京某高校学生一卡通在2019年4月1-20号的消费明细数据，从

统计可视化分析、关联规则分析

，发现学生一卡通的使用情况和学生当中的情侣、基友、闺蜜、渣男和单身狗等有趣信息。

使用的数据集地址如下：https://github.com/Nicole456/Analysis-of-students-consumption-behavior-on-campus

导入数据

import pandas as pd
import numpy as np
import datetime 
import plotly_express as px
import plotly.graph_objects as go

1、数据1：每个学生的校园卡基本信息

2、数据2：校园卡每次消费和充值的明细数据

3、数据3：门禁明细数据

数据大小

In [8]:

print("df1: ", df1.shape)
print("df2: ", df2.shape)
print("df3: ", df3.shape)
df1:  (4341, 5)
df2:  (519367, 14)
df3:  (43156, 6)

缺失值

 # 每列缺失值
df1.isnull().sum() 
# 每列的缺失值占比
df2.apply(lambda x : sum(x.isnull())/len(x), axis=0)

人数对比

不同性别人数

不同专业人数

In [16]:

df5 = df1["Major"].value_counts().reset_index()

df5.columns = ["Major","Number"]
df5.head()

不同专业不同性别人数

In [18]:

df6 = df1.groupby(["Major","Sex"])["CardNo"].count().reset_index()
df6.head()

fig = px.treemap(
    df6,
    path=[px.Constant("all"),"Major","Sex"],  # 重点：传递数据路径
    values="CardNo",
    color="Major"   # 指定颜色变化的参数
)

fig.update_traces(root_color="maroon")
# fig.update_traces(textposition="top right")
fig.update_layout(margin=dict(t=30,l=20,r=25,b=30))

fig.show()

进出门禁信息

地址信息

In [21]:

# 1、处理address

address = df3["Address"].str.extract(r"(?P<Address_New>[\w]+)\[(?P<Out_In>[\w]+)\]")
address

进出门禁时间

In [25]:

df8 = pd.merge(df3,df1,on="AccessCardNo")
df8.loc[:,'Date'] = pd.to_datetime(df8.loc[:,'Date'],format='%Y/%m/%d %H:%M',errors='coerce')

df8["Hour"] = df8["Date"].dt.hour
# df8["Minute"] = df8["Date"].dt.minute

# 进出门禁人数统计/小时
df9 = df8.groupby(["Hour","Out_In"]).agg({"AccessCardNo":"count"}).reset_index()
df9.head()

# 准备画布
fig = go.Figure()

# 添加不同的数据
fig.add_trace(go.Scatter(  
    x=df9.query("Out_In == '出门'")["Hour"].tolist(),
    y=df9.query("Out_In == '出门'")["AccessCardNo"].tolist(),
    mode='lines + markers', # mode模式选择
    name='出门')) # 名字

fig.add_trace(go.Scatter(  
    x=df9.query("Out_In == '进门'")["Hour"].tolist(),
    y=df9.query("Out_In == '进门'")["AccessCardNo"].tolist(),
    mode='lines + markers', 
    name='进门')) 

fig.show()

消费信息

In [30]:

# 数据合并  只取出两个字段：卡号和性别

df10 = pd.merge(df2,df1[["CardNo","Sex"]],on="CardNo")

合并信息

In [32]:

df10["Card_Sex"] = df10["CardNo"].apply(lambda x: str(x)) + "_" + df10["Sex"]

主要地点

In [33]:

# Card_Sex：统计消费人次
# Money：统计消费金额

df11 = (df10.groupby("Dept").agg({"Card_Sex":"count","Money":sum})
        .reset_index().sort_values("Money",ascending=False))

df11.head(10)

fig = px.bar(df11,x="Dept",y="Card_Sex")
fig.update_layout(title_text='不同地方的消费人数',xaxis_tickangle=45) 

fig.show()

fig = px.bar(df11,x="Dept",y="Money")
fig.update_layout(title_text='不同地方的消费金额',xaxis_tickangle=45) 

fig.show()

关联规则挖掘

时间处理

时间处理主要是两个点：

• 时间格式的转换

• 时间离散化：每5分钟一个类型

在这里我们默认：如果两个时间在同一个类型中，认为两人在一起消费

import datetime

def change_time(x):
    # 转成标准时间格式
    result = str(datetime.datetime.strptime(x, "%Y/%m/%d %H:%M"))
    return result

def time_five(x):
    # ‘2022-02-24 15:46:09’ ---> '2022-02-24 15_9'
    res1 = x.split(":")[0]
    res2 = str(round(int(x.split(":")[1]) / 5))
    return res1 + "_" + res2
  
  
df10["New_Date"] = df10["Date"].apply(change_time)
df10["New_Date"] = df10["New_Date"].apply(time_five)
df10.head(3)

提起每个时间类型的人员信息：

# 方式1

df11 = df10.groupby(["New_Date"])["Card_Sex"].apply(list).reset_index()
# 每个列表中的元素去重
df11["Card_Sex"] = df11["Card_Sex"].apply(lambda x: list(set(x)))
all_list = df11["Card_Sex"].tolist()

# 方式2
# all_list = []
# for i in df10["New_Date"].unique().tolist():
#     lst = df10[df10["New_Date"] == i]["Card_Sex"].unique().tolist()
#     all_list.append(lst)

频繁项集寻找

In [44]:

import efficient_apriori as ea

# itemsets：频繁项  rules：关联规则
itemsets, rules = ea.apriori(all_list,
                min_support=0.005,  
                min_confidence=1
               )

一个人

一个人消费的数据最多：2565条数据，单身毕竟多！

len(itemsets[1])  # 2565条

# 部分数据
{('181539_男',): 52,
 ('180308_女',): 47,
 ('183262_女',): 100,
 ('182958_男',): 88,
 ('180061_女',): 83,
 ('182936_男',): 80,
 ('182931_男',): 87,
 ('182335_女',): 60,
 ('182493_女',): 75,
 ('181944_女',): 67,
 ('181058_男',): 93,
 ('183391_女',): 63,
 ('180313_女',): 82,
 ('184275_男',): 69,
 ('181322_女',): 104,
 ('182391_女',): 57,
 ('184153_女',): 31,
 ('182711_女',): 40,
 ('181594_女',): 36,
 ('180193_女',): 84,
 ('184263_男',): 61,

两个人

len(itemsets[2])  # 378条

查看了全部的数据，统计了下面的结果：

('180433_男', '180499_女'): 34
# 可疑渣男1    
('180624_男', '181013_女'): 36,
('180624_男', '181042_女'): 37,
# 可疑渣男2
('181461_男', '180780_女'): 38,    
('181461_男', '180856_女'): 34,
    
('181597_男', '183847_女'): 44,
    
('181699_男', '181712_女'): 31,
    
('181889_男', '180142_女'): 33,
# 可疑渣男3：NB
('182239_男', '182304_女'): 39,
('182239_男', '182329_女'): 40,
('182239_男', '182340_女'): 37,
('182239_男', '182403_女'): 35,
    
('182873_男', '182191_女'): 31,

('183343_男', '183980_女'): 44,

1、可疑男生1-180624

回到原始数据，查看他和不同女生在时间上消费的交集情况。

（1）和女生181013的交集：

• 4月1号早上7.36：应该是一起吃了早餐；11点54一起吃了午饭

• 4.10、4.12等不同时间点的交集

（2）和女生181042的交集：

2、看看可疑的渣男3

这哥们实在是厉害呀~数据挖掘显示居然和4个女生同时存在一定的关联！

('182239_男', '182304_女'): 39
('182239_男', '182329_女'): 40
('182239_男', '182340_女'): 37
('182239_男', '182403_女'): 35

除了可能的男女朋友关系，在2元数据中更多的是基友或者闺蜜：

('180450_女', '180484_女'): 35,
('180457_女', '180493_女'): 31,
('180460_女', '180496_女'): 31,
('180493_女', '180500_女'): 47,
('180504_女', '180505_女'): 43,
('180505_女', '180506_女'): 35,
('180511_女', '181847_女'): 42,
('180523_男', '182415_男'): 34,
('180526_男', '180531_男'): 33,
('180545_女', '180578_女'): 41,
('180545_女', '180615_女'): 47,
('180551_女', '180614_女'): 31,
('180555_女', '180558_女'): 36,
('180572_女', '180589_女'): 31,
('181069_男', '181103_男'): 44,
('181091_男', '181103_男'): 33,
('181099_男', '181102_男'): 31,
('181099_男', '181107_男'): 34,
('181102_男', '181107_男'): 35,
('181112_男', '181117_男'): 43,
('181133_男', '181136_男'): 52,
('181133_男', '181571_男'): 45,
('181133_男', '181582_男'): 33,

3-4个人

3-4元的数据可能是一个宿舍的同学或者朋友一起的，相对数量会比较少：

len(itemsets[3])  # 18条

{('180363_女', '181876_女', '183979_女'): 40,
 ('180711_女', '180732_女', '180738_女'): 35,
 ('180792_女', '180822_女', '180849_女'): 35,
 ('181338_男', '181343_男', '181344_男'): 40,
 ('181503_男', '181507_男', '181508_男'): 33,
 ('181552_男', '181571_男', '181582_男'): 39,
 ('181556_男', '181559_男', '181568_男'): 35,
 ('181848_女', '181865_女', '181871_女'): 35,
 ('182304_女', '182329_女', '182340_女'): 36,
 ('182304_女', '182329_女', '182403_女'): 32,
 ('183305_女', '183308_女', '183317_女'): 32,
 ('183419_女', '183420_女', '183422_女'): 49,
 ('183419_女', '183420_女', '183424_女'): 45,
 ('183419_女', '183422_女', '183424_女'): 48,
 ('183420_女', '183422_女', '183424_女'): 51,
 ('183641_女', '183688_女', '183690_女'): 32,
 ('183671_女', '183701_女', '183742_女'): 35,
 ('183713_女', '183726_女', '183737_女'): 36}

4元数据只有一条：

总结

关联规则分析是一个经典数据挖掘算法，在消费明细数据、超市购物篮数据、金融保险、信用卡等领域应用的十分广泛。

当我们运用关联分析技术挖掘出频繁出现的组合和强关联规则之后，就可以指定相应的营销策略或者找到不同对象之间的关系。

上面的数据挖掘过程，其实也存在一定的缺陷：

完整代码点这里获取

• 约束太宽：仅仅是根据时间间隔类型进行分组统计，忽略了学生的专业、消费地点等信息

• 时间太窄：5分钟的时间间隔过去窄，会过滤掉很多信息