Support（支持度）：表示同时包含 A 和 B 的事务占所有事务的比例。如果用 P(A) 表示包含 A 的事务的比例，那么 Support = P（A & B）

Confidence（可信度）：表示包含 A 的事务中同时包含 B 的事务的比例，即同时包含 A 和 B 的事务占包含 A 的事务的比例。公式表达：Confidence = P（A & B）/ P(A)

Lift（提升度）：表示“包含 A 的事务中同时包含 B 的事务的比例”与“包含 B 的事务的比例”的比值。公式表达：Lift = ( P（A & B）/ P(A) ) / P(B) = P（A & B）/ P(A) / P(B)。

提升度反映了关联规则中的 A 与 B 的相关性，提升度 > 1 且越高表明正相关性越高，提升度 < 1 且越低表明负相关性越高，提升度 = 1 表明没有相关性。

打开命令行窗口，输入

pip install apyori

测试安装：

from apyori import apriori

from apyori import apriori

data = [['豆奶','莴苣'],         ['莴苣','尿布','葡萄酒','甜菜'],         ['豆奶','尿布','葡萄酒','橙汁'],         ['莴苣','豆奶','尿布','葡萄酒'],         ['莴苣','豆奶','尿布','橙汁']]

result = list(apriori(transactions=data)

# apriori其他参数说明: min_support -- The minimum support of relations (float).最小支持度，可用来筛选项集 min_confidence -- The minimum confidence of relations (float).最小可信度，可用来筛选项集 min_lift -- The minimum lift of relations (float).最小提升度 max_length -- The maximum length of the relation (integer).序列最小长度

附Apriori库函数相关文档

转载自Python关联分析之——Apriori算法

转载自数据挖掘关联分析中的支持度、置信度和提升度