利用R语言来实现关联分析

一、前提叙述

        由于库里执行的SQL等待时间太过长了，加上下班回去的那段时间有点热，所以就稍微写一下，上次我用过一个实例去还原关联分析apriori算法的过程，这次的话我用自己工作中的数据使用R语言来分析，前面自己有写文章描述过关联分析算法的一些过程和重要步骤，这里就不重复了，我还是要说下两个必须要说的概念；那就是支持度和置信度，因为这两个概念比较重要；

二、名词解释
   支持度(SUPPORT)P(AUB):就是事件A和B的并或者A和B同时出现的百分比，也叫概率；

    置信度(CONFIDENCE)P(B|A)：也就是A中出现事件B的概率；

三、分析过程

    我们这里选用海口市目前重点青少年的历史数据；

这里的话对这个数据进行一些业务描述，首先重点青少年在综治里定义是违法过的28岁以下的青少年；（PS：28岁都可以当大叔了好吧），这里有七个列，第一个列是重点青少年唯一识别ID，第二列是重点青少年行为类型，第三列是发生的事件，剩下的那几列分别为四个造成重点青少年形成的原因，个人，家庭，学校和社会；

    接下来我们要创建数据库与R语言的连接，要使用到RODBC包和在本地配好数据源，因为我已经在R里提前装了，所以没必要在装一次，

R代码如下：

library(RODBC)

zongzhi_connect <- odbcConnect("*****",uid="*****",pwd = "******",believeNRows=FALSE)

接下来我们要从数据库提取数据，使用sqlQuery函数，并查看数据是否提取成功

R代码如下：

zongzhi_date <- sqlQuery(zongzhi_connect,"

                       select t.teenager_type,t.behavior_happen,t.person,t.jiating,t.xuexiao,t.shehui from tr_xgf_teenager t

                        ")

zongzhi_date；#查看数据是否提取成功

由于数据记录过多，这里只截取了一部分，从截图上，数据是提取成功了并叫名为zongzhi_date的数据框，这时候我们载入包arules，没有安装的要先安装，这里我事先了解数据选择支持度为0.3，置信度为0.85的apriori算法提取规则；这里的置信度和支持度不能随意定，这里只是做一个实例，不多讲；并打印出规则；

R代码如下

rules <- apriori(jixiao_date,parameter = list(support=0.3,confidence=0.85))

inspect(rules)

我们的规则排序是无序的，所以我们这里根据支持度support列来给它排序，使用sort函数；

R代码如下

rules_1 <- sort(rules,decreasing = TRUE,by="support")

inspect(rules_1)

这里我们可以看到有好多的冗余的规则，规则2其实就已经包含了规则1，所以我们这里要去掉冗余的规则，首先要生成一个关联规则的子集矩阵，将矩阵对角线以下的元素置为空，然后在将子集矩阵中每列元素和大于等于1的列找出来，最后打印看看结果如何

R代码如下

subset_rules <- is.subset(rules_1, rules_1)

subset_rules[lower.tri(subset_rules, diag=T)] <- NA

redundant <- colSums(subset_rules, na.rm=T) >= 1

which(redundant)

有三条冗余的规则，这时候我们在剔除掉这些冗余的规则并打印生成结果；

R代码如下

rules_2<- rules_1[!redundant]

inspect(rules_2)

还有一个规则可视化包arulesViz，要提前安装，这里篇幅问题就不说了；这里我们用数据对规则进行验证；

四、规则验证

这里我们选取重点青少年里的学校原因是成绩不好的数据，看看个人原因的分布，这里我们发现交友不当的数据占比刚刚好是规则1的置信度；

如果有不对的地方可以指正出来一起交流学习；