教程 ·
关联规则（Apriori）用 AI 一句话完成 — 支持度、置信度、提升度购物篮分析全攻略
关联规则挖掘（Apriori）完整教程：用 AI 一句话完成购物篮分析，自动输出支持度、置信度、提升度，识别频繁项集，并给出符合 APA 格式的学术报告句式。
手上有交易记录、问卷多选题或诊断共病数据？想找出"同时出现率最高的组合"？Apriori 算法的参数设置让人头疼——这篇教程教你用 AI 一句话完成完整的关联规则挖掘，支持度、置信度、提升度一次全齐，可直接用于论文报告。
购物篮问题：为什么传统工具让人头疼
关联规则挖掘（Association Rules Mining）的经典应用是购物篮分析（Market Basket Analysis）：从大量交易记录中找出"哪些商品经常被一起购买"，从而指导商品陈列、推荐系统和促销策略。
然而在学术研究中，关联规则远不止用于零售：
- 流行病学：哪些症状或疾病经常共病（如高血压 + 糖尿病 + 肥胖）
- 教育研究：学生哪些学习行为往往同时出现
- 问卷分析：多选题中哪些选项经常被同一受访者勾选
- 医学检查：哪些检查指标异常往往同时出现
但在 R 或 Python 中实现 Apriori 时，研究者面临的真实困难是：
min_support、min_confidence、min_lift阈值怎么设？不同数据集没有统一标准- 规则数量爆炸（成百上千条），哪些才是有意义的？
- 图形化输出（网络图、气泡图）需要手动绘制
- 如何按 APA 格式在方法节描述"数据挖掘"方法？
ChatSRS 把从参数选择到报告输出的全套流程压到一句话。
关联规则核心概念
理解三个核心指标是读懂结果的前提。
支持度（Support）
support(A -> B) = P(A ∩ B) = count(A and B) / N
含义：项集 {A, B} 在所有交易中同时出现的比例。
判断标准：
- 支持度衡量规则的普遍性，越高表示该组合越常见
- 通常设
min_support >= 0.01（1%），低于此阈值的组合视为噪声或罕见关联 - 在稀疏交易数据中（如医疗诊断），0.005 以上亦可考虑
例：1000 笔交易中，500 笔同时包含"面包"和"牛奶"，则 support(面包 -> 牛奶) = 0.50。
置信度（Confidence）
confidence(A -> B) = P(B | A) = support(A ∩ B) / support(A)
含义：在所有包含 A 的交易中，同时也包含 B 的比例；即"已知买了 A，买 B 的条件概率"。
判断标准：
- 置信度衡量规则的可靠性，越高表示关联越稳定
- 通常设
min_confidence >= 0.50（50%），学术文章中常报告 >= 0.60 的规则 - 置信度不考虑 B 的基准发生率，因此需要结合提升度解读
例：700 笔包含"面包"的交易中，500 笔也含"牛奶"，则 confidence(面包 -> 牛奶) = 500/700 = 0.714。
提升度（Lift）
lift(A -> B) = confidence(A -> B) / support(B) = P(B | A) / P(B)
含义：有了 A 之后，B 的出现概率相对其基准概率的提升倍数。
判断标准（学术通用阈值）：
| 提升度值 | 解读 |
|---|---|
| lift = 1 | A 与 B 独立，无关联 |
| lift > 1 | 正向关联；A 出现使 B 的概率提升 |
| lift < 1 | 负向关联；A 出现反而使 B 概率下降 |
| lift >= 1.5 | 实践中认为关联有实际意义的最低参考阈值 |
| lift >= 2.0 | 强正向关联，学术论文中常以此筛选值得报告的规则 |
提升度是三个指标中最重要的一个：它校正了基准概率，能排除"B 本身很常见"导致的虚假高置信度。例如，牛奶在所有交易中出现率 80%，即便随机一笔交易都有 80% 的概率含牛奶——此时高置信度并不意味着真实关联，lift 才能揭示真相。
频繁项集（Frequent Itemsets）
在计算关联规则之前，Apriori 算法先找出所有满足 min_support 的频繁项集（即经常同时出现的商品组合），再从频繁项集中提取满足 min_confidence 和 min_lift 的规则。
Apriori 核心思路：
- 找出所有频繁 1-项集（单个商品支持度 >= min_support）
- 用频繁 (k-1)-项集生成候选 k-项集，剪枝（非频繁子集的超集必然非频繁）
- 重复直到无更大频繁项集
- 从频繁项集生成关联规则，过滤置信度和提升度
这一"向上封闭性"（Apriori Property）大幅减少了候选集数量，是算法效率的核心所在。
案例数据：连锁超市购物篮交易分析
研究背景
某连锁超市收集了 2000 笔交易记录，每笔交易包含顾客购买的商品列表（宽格式：每种商品一列，0/1 表示是否购买）。共涉及 20 种商品类别（乳制品、主食、饮料、零食、蔬菜等）。
研究目标：识别频繁共购商品组合，为店内商品陈列和捆绑促销提供数据依据。
数据结构（宽格式示例）
交易ID 面包 牛奶 黄油 鸡蛋 酸奶 苹果 啤酒 薯片 ...
T001 1 1 1 0 0 1 0 0
T002 1 1 0 1 1 0 0 0
T003 0 0 0 0 0 0 1 1
T004 1 0 1 1 0 0 0 0
...（共 2000 行）
ChatSRS 同时支持长格式（每行一个购买记录，transaction_id + item 两列）和宽格式（每种商品一列）输入。
用 AI 一句话完成关联规则挖掘
在 chatsrs.com 上传数据后输入：
"对这份购物篮数据做 Apriori 关联规则挖掘。
- 设 min_support = 0.05，min_confidence = 0.50，min_lift = 1.5，提取频繁项集和关联规则
- 输出频繁 1-项集和 2-项集的支持度排名前 15 表格
- 输出满足阈值的关联规则三线表（前件、后件、支持度、置信度、提升度、规则计数）
- 按提升度降序，标注前 10 条最强规则
- 绘制关联规则气泡图（x 轴支持度，y 轴置信度，气泡大小=提升度）
- 输出 APA 格式中文方法节和结果节描述"
60 秒后，ChatSRS 完整输出以下五部分结果。
输出结果怎么读
输出 1：频繁项集支持度排名
表 1 频繁 1-项集与 2-项集支持度排名（N = 2000，min_support = 0.05）
排名 项集 支持度 交易数
1 {牛奶} 0.642 1284
2 {面包} 0.618 1236
3 {蔬菜} 0.481 962
4 {水果} 0.396 792
5 {酸奶} 0.312 624
...
8 {面包, 牛奶} 0.382 764
9 {牛奶, 黄油} 0.261 522
10 {面包, 蔬菜} 0.218 436
11 {牛奶, 蔬菜} 0.203 406
12 {面包, 水果} 0.189 378
13 {黄油, 鸡蛋} 0.172 344
14 {面包, 黄油} 0.164 328
15 {酸奶, 水果} 0.152 304
注：1-项集按单项支持度排序；2-项集按联合支持度排序。
支持度 = 该项集出现次数 / 总交易数（N = 2000）。
读表要点：牛奶（64.2%）和面包（61.8%）是最常购买的单品；{面包, 牛奶}（38.2%）是最常见的 2-项集，几乎每 3 笔交易就有超过 1 笔同时包含这两样。
输出 2：关联规则三线表
表 2 Apriori 关联规则结果（min_support = 0.05，min_confidence = 0.50，min_lift = 1.0）
前件(A) 后件(B) 支持度 置信度 提升度 规则计数
{黄油} -> {牛奶} 0.198 0.814 1.268* 396
{黄油} -> {面包} 0.164 0.674 1.091* 328
{黄油,鸡蛋} -> {面包} 0.124 0.721 1.167* 248
{酸奶} -> {牛奶} 0.213 0.683 1.064* 426
{酸奶,面包} -> {牛奶} 0.156 0.812 1.265* 312
{蔬菜,面包} -> {牛奶} 0.148 0.679 1.058* 296
{水果,酸奶} -> {牛奶} 0.139 0.914 1.424* 278
{水果,酸奶} -> {面包,牛奶} 0.098 0.645 1.688 196
{黄油,鸡蛋} -> {牛奶,面包} 0.096 0.558 1.461 192
{水果,蔬菜} -> {牛奶} 0.091 0.874 1.361* 182
注：* 提升度 < 1.5，关联强度中等；表中同时列出中等（1.0 <= lift < 1.5）和较强（lift >= 1.5）规则，
供与 Top-10 强规则（表 3，min_lift = 1.5）对比参考；
规则按提升度降序排列。
输出 3：Top-10 最强关联规则（提升度降序）
表 3 提升度最高的 10 条关联规则（lift >= 1.5）
排名 前件 后件 支持度 置信度 提升度
1 {啤酒, 薯片} -> {零食饮料} 0.087 0.921 3.142
2 {红酒, 奶酪} -> {熟食} 0.068 0.876 2.984
3 {尿不湿} -> {啤酒} 0.062 0.841 2.763
4 {红酒} -> {奶酪} 0.079 0.734 2.618
5 {咖啡, 面包} -> {黄油} 0.071 0.697 2.377
6 {水果, 酸奶} -> {麦片} 0.058 0.679 2.241
7 {蔬菜, 水果} -> {有机食品} 0.053 0.651 2.093
8 {咖啡} -> {面包,黄油} 0.065 0.631 1.984
9 {水果, 酸奶} -> {牛奶, 面包} 0.098 0.645 1.688
10 {黄油, 鸡蛋} -> {牛奶, 面包} 0.096 0.558 1.461
注：提升度 >= 2.0 视为强关联（规则 1-7）；>= 1.5 视为中等关联（规则 8-10）。
"尿不湿 -> 啤酒"（lift = 2.76）为经典购物篮分析案例，常见于年轻父母的购物行为。
读表要点：
| 规则 | 业务解读 |
|---|---|
| 啤酒+薯片 -> 零食饮料（lift=3.14） | 极强关联，可做捆绑陈列或联合促销 |
| 红酒 -> 奶酪（lift=2.62） | 经典西式搭配，适合单独促销区 |
| 尿不湿 -> 啤酒（lift=2.76） | 年轻父亲效应，避免将两者陈列在对立区 |
| 咖啡 -> 面包+黄油（lift=1.98） | 早餐套餐关联，捆绑早餐套包商机 |
论文里怎么报告（APA 7th 格式）
关联规则属于探索性数据挖掘方法，APA 7th 对此类方法没有专门的报告格式规范，但学术界有通行惯例：必须报告算法、三个核心指标的阈值及其设定依据、频繁项集数量、筛选后规则数量，以及最重要规则的完整三元组（support, confidence, lift）。
方法节写法：
采用 Apriori 算法对购物篮交易数据进行关联规则挖掘，以探索商品间的共购关联模式（Agrawal & Srikant, 1994）。算法参数设定如下：最小支持度（min_support）= 0.05，最小置信度（min_confidence）= 0.50，最小提升度（min_lift）= 1.50。支持度阈值根据数据集规模（N = 2000 笔交易，20 种商品）参照 Tan 等（2018）推荐的稀疏数据设定方法确定；提升度阈值参照 Brin 等（1997）对"兴趣度"（interestingness）的定义，以 1.5 作为实际关联的最低参考值。所有分析以 R 4.4 arules 包实施。
结果节写法：
Apriori 算法共识别出 47 个满足最小支持度（>= 0.05）的频繁项集，其中 1-项集 20 个，2-项集 24 个，3-项集 3 个。在频繁项集基础上，提取满足最小置信度（>= 0.50）和最小提升度（>= 1.50）的关联规则共 10 条（见表 3）。
提升度最高的规则为 {啤酒, 薯片} → {零食饮料}，support = .087，confidence = .921，lift = 3.14，表明同时购买啤酒和薯片的顾客中，91.1% 也会购买其他零食饮料，其共购概率是基准概率的 3.14 倍。另一典型规则 {红酒} → {奶酪}（support = .079，confidence = .734，lift = 2.62）和 {尿不湿} → {啤酒}（support = .062，confidence = .841，lift = 2.76）亦呈现较强正向关联（lift > 2.0），具有显著的促销设计参考价值。
APA 格式报告要素汇总：
| 要素 | 格式示例 |
|---|---|
| 算法引用 | Agrawal & Srikant（1994） |
| 参数报告 | min_support = .05，min_confidence = .50，min_lift = 1.50 |
| 规则数报告 | 共提取 X 条满足阈值的关联规则 |
| 单条规则 | support = .087, confidence = .921, lift = 3.14 |
| 频繁项集 | 共 47 个频繁项集（1-项集 20 个，2-项集 24 个，3-项集 3 个） |
APA 细节提醒：支持度、置信度均为比例，小数点前不写 0（写 .087，不写 0.087）；lift 是比值，保留两位小数；方法节须引用 Apriori 原论文（Agrawal & Srikant, 1994, VLDB）和所用软件/包版本。
参数设定指南：阈值怎么选
这是最常被提问的实操问题，没有通用答案，但有可参考的经验框架：
支持度（min_support）
| 数据规模 | 商品/变量数 | 推荐 min_support |
|---|---|---|
| < 500 笔 | 任意 | >= 0.10 |
| 500-5000 笔 | < 50 种 | 0.05-0.10 |
| 5000-50000 笔 | 50-500 种 | 0.01-0.05 |
| > 50000 笔 | > 500 种 | 0.001-0.01 |
| 医疗/诊断数据（低频共病） | — | 0.005-0.02 |
置信度（min_confidence）
- 探索性研究（想尽量多看规则）：>= 0.30
- 标准设定：>= 0.50
- 高可靠性要求（如临床推荐）：>= 0.70
提升度（min_lift）
- lift >= 1.0：仅排除负关联，包含所有正关联
- lift >= 1.5：实践中认为有实际意义的最低阈值
- lift >= 2.0：强关联，适合论文重点报告
- lift >= 3.0：极强关联，值得业务层面重点关注
提示：在 ChatSRS 中，如果规则数量过多（> 100 条），可在指令里追加"进一步筛选 lift >= 2.0 的规则并按提升度排名"；如果规则过少（< 5 条），则降低 min_support 或 min_confidence 并重跑。
关联规则在学术研究中的三类应用场景
场景一：问卷多选题关联分析
多选题（如"您使用过哪些统计软件"，可多选）产生的数据天然适合关联规则：每位受访者的选项集合 = 一笔"交易"。
ChatSRS 指令示例：
"这份问卷数据第 Q12 题是多选题（选项 A-G），每行是一位受访者，做关联规则分析，找出哪些选项组合经常被同一受访者勾选，min_support = 0.08，min_lift = 1.5，输出三线表和 APA 报告描述"
场景二：临床共病关联分析
从电子病历提取的诊断数据：每位患者一行，所有诊断编码（ICD）为多选项。关联规则可以揭示哪些疾病倾向于同时发生。
注意点：医疗数据往往高度稀疏，min_support 可设至 0.005；提升度 >= 2.0 在临床研究中常作为有临床意义的参考标准。
场景三：教育行为关联分析
如学习管理系统（LMS）日志数据：每位学生完成的学习行为（观看视频、做练习、参与讨论等）为多选项。关联规则可发现高成就学生的典型行为组合模式。
常见问题 FAQ
Q1：支持度、置信度都很高，但提升度却接近 1，规则有意义吗？
A：没有实际意义。提升度接近 1 说明 A 和 B 的关联是"虚假高置信"——B 本身的基准发生率就很高，无论有没有 A，B 几乎都会出现。例如"牛奶的支持度 = 0.64"，任何规则的后件如果是{牛奶}，仅靠基准概率就能获得 0.64 的置信度。此时 lift = confidence / support(B) = 0.64 / 0.64 = 1.00，说明 A 对 B 没有任何额外贡献。实际操作中应以 lift >= 1.5 作为规则有意义的最低门槛，而不单独看置信度高低。
Q2：Apriori 和 FP-Growth 有什么区别？什么时候用哪个？
A：两者都是频繁项集挖掘算法，结果完全相同，区别在于计算效率。Apriori 采用逐层遍历候选集的方式，在商品种类多（> 1000 种）或数据集大（> 10 万笔）时速度较慢；FP-Growth 使用树形结构，只需两次扫描数据库，速度快 10-100 倍。对于学术研究中常见的中小规模数据（商品 < 200 种、交易 < 5 万笔），两者速度差距可忽略，Apriori 更直观易理解，也更常出现在教材和论文中。ChatSRS 在数据规模较大时会自动切换为 FP-Growth，结果报告格式不变。
Q3：关联规则能用于预测吗？和逻辑回归有什么区别？
A：关联规则是描述性/探索性方法，不是预测性方法。它描述的是"什么和什么同时出现"，不建立因果关系，也没有因变量——这是与逻辑回归（有明确因变量、建模条件概率）的本质区别。如果你的目标是"给定某些特征，预测某结局发生概率"，应使用逻辑回归（见二元 Logistic 回归教程）；如果目标是"在大量变量中无监督地发现高频共现模式"，才用关联规则。两者可以互补：先用关联规则探索性发现有趣的变量组合，再用逻辑回归对关注的组合做假设检验。
Q4：关联规则挖掘出来的规则怎么在论文里选择性报告？规则太多怎么办？
A：关联规则挖掘常产生数十至数百条规则，论文中不需要全部列出。推荐的筛选和报告策略是：(1) 选取提升度最高的 10-20 条规则列入主表，其余放附录或补充材料；(2) 将规则按业务语义或研究假设分组，分别解读；(3) 报告完整的频繁项集数量和总规则数量，说明筛选阈值，让读者可以复现。在 ChatSRS 中，可在指令里追加"按提升度降序只保留前 15 条写入三线表，其余列入补充材料"，系统将自动分级输出。
Q5：关联规则分析如何报告样本量和效应量？
A：关联规则没有类似 Cohen's d 或 eta 方的标准效应量指标；提升度本身即为效应大小的量化指标。学界通行参考阈值如下：lift >= 1.5 为中等关联，lift >= 2.0 为较强关联，lift >= 3.0 为强关联（Tan et al., 2018）。报告时，除 lift 外，也应同时报告支持度（反映规则的普遍性）和置信度（反映规则的可靠性），三者缺一不可。样本量方面，APA 并无专门规定；实践中建议交易数 / 商品种数 >= 50，以保证频率估计的稳定性，否则需说明样本量局限性。
小结
关联规则（Apriori）是探索"什么与什么同时出现"的核心工具，难点集中在三处：正确设定支持度/置信度/提升度阈值、从海量规则中筛选有意义的结果，以及按学术规范报告方法与结果。ChatSRS 把全部流程压到一句话，自动输出频繁项集表、关联规则三线表、气泡可视化，并生成可直接复制进论文的 APA 格式描述。
核心记忆点：提升度（lift）是判断规则是否真正有意义的最关键指标，置信度高但提升度 = 1 的规则不值得报告；lift >= 1.5 是实践中认可的最低有意义门槛，lift >= 2.0 适合论文重点报告。
参考文献
- Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 487–499.
- Brin, S., Motwani, R., Ullman, J. D., & Tsur, S. (1997). Dynamic itemset counting and implication rules for market basket data. ACM SIGMOD Record, 26(2), 255–264. https://doi.org/10.1145/253262.253325
- Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2018). Introduction to data mining (2nd ed.). Pearson.
相关阅读
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。