关联规则可视化：让隐藏规律一目了然

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

规则解读困境

设想你刚打开木箱：一千张线索卡从箱口涌出，卡片上写的全是“买甲的人也会买乙”这类短句。你拿起一张读得懂，拿起十张还能记住，可当一千张铺满桌面时，你只能放弃逐张阅读。这里的第一道坎，是规则数量本身——关联规则挖掘算法通常会输出成百上千条规则，而人类的阅读速度根本追不上组合爆炸的速度。

数据挖掘中的关联规则，格式上就是“前项 → 后项”加三个数字：支持度、置信度、提升度。单看一条规则并不可怕，可怕的是它们以文本列表的形式堆在一起。人眼扫描文本的效率极低，更谈不上从中发现“哪一类商品经常抱团出现”的宏观规律。这时候，视觉化的地图就成了刚需——就像寻宝人把线索卡钉在墙上，用线把相关联的铺子连起来。

为什么规则会多到让人绝望？因为商品之间的组合方式是天文数字。假设一家店有 n 种商品，任意两种或更多商品都可能组成规则，且一个商品集合还能拆出两个方向：

正因如此，把一千张线索卡原样读一遍是不现实的。寻宝人需要把卡片钉上墙、用线连起来；数据分析师则需要借助可视化，把规则列表变成一目了然的图形。下一节我们先看第一种地图的画法——像地铁线路图一样的平行坐标图。

平行坐标图

城市里最复杂的地铁系统，也能被一张线路图讲清楚：每条线路一种颜色，每个换乘站一个圆点，乘客一眼就能找到“从哪站上车、在哪站换乘”。平行坐标图正是借用了这个思路，把每条关联规则画成一根折线，让上千条规则同时铺在一张图里。

在平行坐标系中，横轴像一排“站台”，站台是候选商品；每根折线代表一条规则。规则的前项商品落在坐标轴的“上侧轨道”，后项商品落在“下侧轨道”，与规则无关的商品则不经过。当大量规则同时画出来，形状相似、路径重叠的折线会聚成“线束”——线束越粗，说明越多规则共享同一组商品，这就是隐藏的购物模式。

一张线索卡上的“地安门买灯笼 → 西巷买墨块”，可以形式化写成：

在平行坐标图上，折线的疏密就是规律的投影：线束粗的地方，是高频规则聚集区；孤零零飘在边上的折线，则可能是异常或冷门组合，反而值得调查。它像地铁图一样，让你从“满城线路”的嘈杂里，一眼认出最重要的换乘枢纽——那些反复出现的核心商品搭配。

关系网络图

人人都有微信，朋友圈里谁是铁哥们、谁是点赞之交，扫一眼关系网就明白：关系越铁，联系越频繁，线也越粗。关系网络图把商品当成“人”，把关联规则当成“友谊”，构建出一张购物朋友圈地图。

构建网络图需要两类要素：节点和边。每个商品画成一个圆点；若两条商品之间存在一条关联规则，就在它们之间连一条边。边的粗细可以编码支持度——共现越频繁，线越粗；边的颜色可以编码提升度——提升度越高、颜色越醒目。这就像把一千张线索卡钉在墙上，再用不同粗细的棉线，把写着相关店铺的卡片连起来。

边的粗细背后，是支持度的计算在支撑。支持度决定了“A 和 B 这对朋友见面的频率”：

网络图画好后，还需要“排座位”——也就是布局算法。力导向布局会模拟物理世界：节点之间互相排斥，有边的节点互相吸引，跑上几轮迭代后，关系紧密的商品自动聚成一团。这些团块就叫社区，比如“牛奶、面包、鸡蛋”聚成早餐团，“啤酒、尿布”聚成母婴团。从任意一个节点出发，沿边高亮路径，还能追踪“买了薯片的人还会顺路买什么”，这正是套餐设计的灵感来源。

矩阵热力图

体检报告上最抓眼的，往往是那张颜色深浅不一的“热成像”：体温高的地方红得发烫，正常区域则是凉爽的蓝绿色。矩阵热力图干的是同样的事——它给每一条规则的强度“照一次体温”。

矩阵的行是规则的前项（比如“买了牛奶”），列是规则的后项（比如“买了面包”），交叉的格子里填充颜色。颜色越深、越红，代表这一格对应的规则越强；颜色越浅，代表这条规则越弱甚至不成立。如果一千条规则挤在一起，文字列表会让人崩溃，但一张热力图能让你在三秒内锁定“高温区”。

衡量规则强度的核心指标是置信度，它回答的问题是：“已知顾客买了 A，他有多大可能也买 B？”公式如下：

原始热力图的行列顺序往往是乱的，高温格子散落各地，看不出结构。于是我们对行列做聚类排序：把行为相似的商品挪到相邻位置，散落的红点就会汇集成“红块”。另一个常见变体是气泡图——格子里的圆点大小表示支持度、颜色表示提升度，一张图同时装下两个维度。就像体检报告把器官按系统排列，聚类热力图把商品按购买习惯排列，让“身体哪里发烧”一目了然。

价值指标筛选

线索卡不是每一张都指向真金。有的卡片写着“买钢琴的人会买谱架”——听上去合理但一年也碰不上几回；有的写着“买牙膏的人会买牙刷”——太寻常，谁都知道。寻宝人需要三把筛子：先筛掉太稀罕的，再筛掉太随意的，最后留下“真强关联”。

第一把筛子是支持度，它过滤掉低频组合：如果 A 和 B 同时出现的机会太少，规则就没有统计说服力。第二把筛子是置信度，它过滤掉不靠谱的组合：就算 A 和 B 经常一起出现，但只要买了 A 的人里买 B 的比例不高，这条规则也派不上用场。第三把筛子是提升度，它回答最关键的问题——A 的出现到底有没有额外提升 B 的购买概率？

实际操作中，三把筛子要按顺序用：先设支持度下限（比如 ≥ 0.05），把太稀有的组合剔除；再设置信度下限（比如 ≥ 0.5），保证规则足够可靠；最后按提升度降序排序，取 TopK 条规则进入可视化。筛完之后的规则，才值得画进藏宝图——否则图上全是无关痛痒的线头和色块，真正的宝藏反而被淹没了。

呈现策略

藏宝图画好之后，不能把图纸直接甩到师傅脸上。聪明的寻宝人会先问师傅：“您想找银器还是找字画？”然后根据目标设计一条讲解路线：先看整张图的全貌，再放大关键区域，最后指着一两处宝藏，讲出完整的来龙去脉。呈现关联规则，同样讲究策略。

第一步是业务目标对齐。做捆绑促销、做货架摆放、做推荐理由，不同目标对应的图型和指标完全不同——促销看提升度高的组合，货架看支持度高的常客搭配，推荐看置信度高的可靠关联。第二步是层级下钻设计。仪表板通常分三层：总览层用热力图展示全局强规则分布，探索层用网络图查看社区和路径，明细层用表格列出规则的三个指标。

这三层之间的跳转逻辑，可以抽象成一次选优：

最后是图例与叙事。每个视图都要配上清晰的图例——颜色代表什么、粗细代表什么、大小代表什么，避免观众猜谜。讲解时按“发现异常 → 追查原因 → 给出行动建议”的故事线走：先指一处热力图上的“红块”，再切到网络图看涉及的周边商品，最后落到明细表的前三条规则上。当师傅看到完整的图纸、听懂宝藏的位置，他才会真正信任这张藏宝图，并愿意照着它去行动。

AI 应用场景

Python 演示

import pandas as pdfrom mlxtend.frequent_patterns import apriori, association_rulesfrom mlxtend.preprocessing import TransactionEncoderimport networkx as nximport matplotlib.pyplot as plt # 模拟一家社区超市的 8 笔购物车记录transactions = [    ["牛奶", "面包", "鸡蛋"],    ["牛奶", "面包"],    ["啤酒", "尿布", "牛奶"],    ["面包", "鸡蛋", "薯片"],    ["啤酒", "尿布"],    ["牛奶", "鸡蛋", "薯片"],    ["牛奶", "面包", "鸡蛋", "薯片"],    ["啤酒", "面包", "尿布"],] # 将交易列表转成 商品x交易 的 0/1 矩阵te = TransactionEncoder()te_ary = te.fit(transactions).transform(transactions)df = pd.DataFrame(te_ary, columns=te.columns_) # 挖掘频繁项集并生成关联规则, 按提升度排序freq_items = apriori(df, min_support=0.3, use_colnames=True)rules = association_rules(freq_items, metric="lift", min_threshold=1.0)rules = rules.sort_values("lift", ascending=False) # 用 networkx 构建商品关系网络图graph = nx.Graph()for _, row in rules.iterrows():    a = list(row["antecedents"])[0]    b = list(row["consequents"])[0]    graph.add_edge(a, b, weight=float(row["confidence"])) pos = nx.spring_layout(graph, seed=42)plt.figure(figsize=(8, 5))sizes = [4000 * graph.degree(node) for node in graph.nodes()]nx.draw_networkx_nodes(graph, pos, node_size=sizes, node_color="#818CF8")edges = graph.edges()weights = [graph[u][v]["weight"] * 6 for u, v in edges]nx.draw_networkx_edges(graph, pos, width=weights, edge_color="#C7D2E4")nx.draw_networkx_labels(graph, pos, font_size=11, font_color="#C7D2E4")plt.title("关联规则商品关系网络图 (边越粗置信度越高)")plt.axis("off")plt.tight_layout()plt.show() print("规则数量:", len(rules))print(rules[["antecedents", "consequents", "support", "confidence", "lift"]].head())

1. te = TransactionEncoder()将“列表套列表”的购物车记录编码成算法能读的 0/1 矩阵，每一列代表一种商品。
2. te_ary = te.fit(transactions).transform(transactions)先学会所有商品清单，再逐笔交易标记“买了=1、没买=0”。
3. freq_items = apriori(df, min_support=0.3, use_colnames=True)用 Apriori 算法挖出支持度不低于 0.3 的频繁项集，这是关联规则的原材料。
4. rules = association_rules(freq_items, metric="lift", min_threshold=1.0)从频繁项集生成规则，并只保留提升度大于 1 的“真强关联”。
5. weights = [graph[u][v]["weight"] * 6 for u, v in edges]把每条边的置信度放大 6 倍作为画图线宽，置信度越高边越粗。

常见误区

面试题