和关系相关的两种算法:杰卡德相似度和Mlxtend库_jaccard values

二者在零售推荐项目中经常用到.

一.杰卡德相似度 Jaccard

• 两个集合的交集元素个数在并集中所占的比例, 非常适用于布尔向量表示
• 分子是两个布尔向量做点积计算, 得到的就是交集元素的个数
• 分母是两个布尔向量做或运算, 再求元素和

1.使用步骤:

• 第一步:通过创建数据透视表
• 第二步:通过计算杰卡德相似度，相似度越高，说明这两个菜品共同出现的概率越高，通过杰卡德相似度的高低，即可产生推荐结果

2.格式:

• from sklearn.metrics import jaccard_score
• 接收df = jaccard_score(df['字段名1'].values,df['字段名2'].values)

二.mlxtend API

Mlxtend (machine learning extensions) 是一个Python库，我们通常使用mlxtend库来计算关联规则.其中要用到两个方法:apriori 算法和association_rules.

1.使用步骤:

• 调用apriori方法之前，我们需要将数据处理成API能够接受的one-hot形式
• 把数量>1的值替换成1(这个是API的要求)
• 使用Apriori计算频繁项
• 使用association_rules产生关联规则

2.格式:

• apriori:
• apriori(df, min_support=0.5, use_colnames=False)        min_support:最小支持度

• association_rules:
• 接收df = association_rules(df, metric=metric,min_threshold=min_threshold_for_metric)
• metric 接受support, confidence, lift, leverage, conviction 五个参数 ,min_threshold_for_metric 表示这个metric的阈值