手把手做购物篮分析案例：让超市小票开口说话

可视化演示

明确业务目标：老王想搞明白什么

老王的超市不大，但商品有上千种。他没法凭肉眼记住所有“结伴出现”的组合，于是他决定做一次正式的数据分析。分析的第一步不是打开电脑，而是想清楚一个问题：我到底想知道什么？ 老王把目标拆成三层：第一，哪些商品经常被一起买走？第二，如果顾客买了 A，有多大可能会买 B？第三，知道这些规律后，我该把货架怎么摆、促销怎么设？这三层问题，正好对应购物篮分析的核心产出：频繁项集、关联规则和商业动作。

在技术术语里，这种分析叫“关联规则挖掘”，属于无监督学习。它不依赖标签（我们并不预先告诉机器“哪些组合好”），而是让算法自己从交易数据里“观察”出规律。就像老王不预设“啤酒和尿布一定有关系”，而是让小票自己说话。对 AI 从业者来说，这一步是价值原点：如果没有明确的业务目标，后面算出来的规则再多，也只是一堆无意义的“数字八卦”。

交易数据处理：把小票变成“客人名单”

有了目标，老王就开始整理小票。这个过程很像办派对前整理“邀请名单”：每张小票就是一场派对的记录，上面写着哪些“客人”（商品）来了。算法只能读结构化的数据，所以老王要把小票转成一个规范的事务表：每一行是一笔交易，每一列是一件商品，买了就记 1，没买就记 0。同时还要做去重和清洗：同一张小票里重复扫描的商品要合并成一条，退货的、空的小票要去掉，商品名称要统一（别让“纯牛奶”和“牛奶”变成两样东西）。

在专业术语里，所有交易的集合叫事务数据库（Transactional Database），通常记为 D。每笔交易是一个事务，由若干项（Item）组成。数学上可以写成：

老王把 1000 张小票整理成了一张张干净的“客人名单”。他明白，数据质量决定了分析质量，如果名单里有重复名字、错别字，统计出的“谁和谁总是一起出现”就会失真的。他特意在电脑上写了个小脚本，把小票自动转成统一格式，花了整整一个晚上，但老王觉得值——毕竟，派对名单要是搞错了，请来的“客人”组合就会错得离谱。

频繁项集：谁总是结伴而来

老王开始统计“谁和谁总是结伴而来”。他发现，“面包”出现了 600 次，“黄油”出现了 400 次，而“面包和黄油同时出现”的次数是 350 次。他把这个“同时出现”的频繁程度叫做支持度（Support）。所谓项集，就是一组商品的集合，比如 {面包，黄油} 就是一个 2-项集。支持度衡量的是：这个项集在全部交易中出现的比例。老王事先定了一个门槛——比如支持度不低于 30%——超过这个门槛的项集，就叫频繁项集。支持度越高，说明这个商品组合越常见，越值得关注。

支持度的计算公式如下：

其中 X 是一个项集（比如 {面包，黄油}），count(X) 是同时包含 X 中所有商品的交易笔数。

老王把支持度想象成“派对常客指数”：如果一个组合出现在 35% 的派对上，那这俩“客人”绝对是固定搭子。他只把这些“固定搭子”留在名单上，把那些只碰巧同框一次的组合划掉。这样一来，需要重点关注的项集数量立刻少了一大半，接下来的分析也就轻松多了。

Apriori原理：先找熟客，再找圈子

如果老王想找 3 项甚至 4 项商品的组合，直接穷举所有商品组合会非常慢——1000 种商品的两两组合就有近 50 万种，更别说三元组合了。好在 Apriori 算法有一个聪明的主意：如果一个项集是频繁的，那它的所有子集也必然是频繁的。反过来想，如果一个项集不频繁，那它的任何超集（往它里面加商品得到的集合）也一定不频繁。这就是先验性质（Apriori Property）。老王用这个性质做“剪枝”：先找出所有频繁的单个商品（1-项集），再由 1-项集两两连接生成 2-项集候选，只保留支持度达标的 2-项集；然后用这些频繁 2-项集生成 3-项集候选……逐层往上搜索。每一层都用上一层的“熟客”圈来缩小范围，极大地减少了计算量。

用数学语言描述这条性质就是：

老王在纸上画了个示意图：频繁的单个商品像一个个“派对常客”，Apriori 先确认这些常客，再看他们之间谁和谁互相认识，然后通过“常客的朋友圈”一层层扩大圈子。不认识常客的人（非频繁单项集）直接被排除，绝不让它混进更大的圈子。这样，原本要计算的庞大组合数，被砍掉了九成以上。老王感叹，这就像组织大型聚会：先请最活跃的人，再由他们吸引更多人，而不是把全城的人都挨个登门拜访。

关联规则生成：从“同框”到“指向”

找到了频繁项集，老王还想知道方向：顾客买了面包之后，到底是更容易买黄油，还是反过来？这就要构造关联规则，形如“ A → B“，读作”买 A 也买 B“。衡量这条规则可靠性的指标叫置信度（Confidence）：在所有买 A 的交易中，同时买 B 的交易占多大比例。老王算了一下：买面包的交易有 600 笔，其中 350 笔也买了黄油，所以”面包 → 黄油”的置信度是 350/600 ≈ 58%。他设了一个最小置信度门槛（比如 60%），超过这个门槛的规则叫强规则。注意，置信度是有方向的：黄油 → 面包的置信度是 350/400 = 87.5%，远高于面包 → 黄油。老王意识到，方向不一样，商业含义完全不同：买黄油的人更可能顺手拿面包，所以把面包放在黄油旁边效果更好。

置信度的公式如下：

老王把置信度理解成“派对里的跟随率”：黄油是派对上的“社交核心”，只要黄油出现，面包这个“跟班”大概率也会出现。而面包虽然出场次数多，但带动黄油的能力一般。所以规则的箭头不能乱画，它指向的是真正有“连带吸引力”的方向。老王把强规则记在小本本上：黄油 → 面包、啤酒 → 尿布……准备下一步评估它们的真实价值。

提升度评估：是真靠谱还是碰巧

老王很兴奋，但旁边的数据分析师小陈泼了盆冷水：置信度高，不一定代表规则有商业价值。比如，牛奶是畅销品，支持度高达 80%；某个冷门商品奶酪的支持度只有 5%，而买了奶酪的人几乎都会买牛奶，所以“奶酪 → 牛奶”置信度高达 95%。可这条规则有意义吗？老王想：奶酪卖不出去，再怎么推荐牛奶也改变不了奶酪的销量。问题出在哪？因为牛奶本身就太常被买了，即使奶酪和牛奶完全没有关联，置信度也会很高。这时需要引入提升度（Lift）：它比较“买 A 时买 B 的实际概率”和“不买 A 时买 B 的基础概率”，用来判断 A 是否真的促进了 B。

提升度的公式为：

老王终于明白了：提升度像是一面“照妖镜”。如果“啤酒 → 尿布”的 lift=1.5，说明买啤酒确实会显著提高买尿布的概率，这比置信度更能说明问题；而“奶酪 → 牛奶”的 lift≈1.0，说明这俩其实各玩各的，只是看起来关系好。老王把记录在小本本上的规则按提升度重新排了序，只留下真正有价值的“强关联”。他感叹，光看置信度就像只看朋友圈点赞数，提升度才能看出谁是真心互动。

案例实施流程：从数据到结论的四步走

老王决定用一套清晰的流程跑完整个分析。他把流程总结成四步：数据处理 → 参数设置 → 算法挖掘 → 结果解读。第一步，他把小票整理成事务表，去掉异常数据；第二步，设定最小支持度阈值和最小置信度阈值——他先设支持度 30%、置信度 70%，如果结果太少太少，就调低支持度；第三步，用 Apriori 算法迭代产生频繁项集，再由频繁项集生成候选规则；第四步，对每条规则计算置信度和提升度，挑出真正有价值的规则，回到业务中去验证。

在这个流程里，参数调整是个手艺活。最小支持度设得太高，会漏掉许多小众但有价值的组合；设得太低，又会冒出大量琐碎规则，让人头晕。老王采用了一个简单的“试错法”：先看 20% 支持度下有哪些频繁项集，再逐步调整到结果数量合适为止。他还在电脑上用 Python 写了个脚本，把 Apriori 算法跑了一遍（这部分代码在后面会展示）。算法本身并不复杂，关键是每一步都要用业务眼光去审视。

老王把整个流程比作“做一道菜”：小票是食材，清洗是择菜，阈值是火候，Apriori 是锅铲，而最后的解读是装盘摆盘。食材不新鲜，锅铲再有本事也做不出好菜；火候不对，再好的食材也会炒糊。老王照着这个流程，花了两个小时就拿到了全部强规则清单，他心里有底了。

商业应用策略：把洞察变成钱

老王拿着规则清单，开始大兴土木。第一条规则：黄油 → 面包，提升度 1.4。他把面包从超市最里面挪到了黄油旁边，并在黄油冷柜上方挂了个小牌子：“配面包更美味”。一周后，面包销量涨了 12%。第二条规则：啤酒 → 尿布，提升度 1.5。他虽然没有把啤酒和尿布真的放在一起（毕竟一个在酒水区一个在母婴区），但在啤酒货架上贴了优惠券：买啤酒满 20 元，凭小票到母婴区领取尿布试用装。结果母婴区的新客流量明显增加。第三条规则：牛奶 → 麦片，提升度 1.3。他把牛奶和麦片做成了“早餐套餐”，组合价便宜 2 元，连带率一下子提升了不少。

这些策略在专业上分别叫商品摆放优化、捆绑促销设计和交叉推荐。本质上，都是利用关联规则去影响顾客的购买路径。老王意识到，购物篮分析不是一次性的，而应该持续进行：每季度更新一次规则，看看顾客的“派对习惯”有没有变化。他甚至在考虑，未来可以给会员卡的分析加上时间维度，看看“周五晚上啤酒尿布组合”是不是比平时更明显。

老王站在超市里，看着货架上那些“牵手成功”的商品组合，像看一场精心安排的相亲大会。算法告诉他谁和谁有缘分，而他需要做的，就是给缘分创造机会——摆得近一点，促销巧一点，推荐准一点。购物篮分析，让零散的小票变成了超市生生不息的经营智慧。

AI 应用场景

Python 演示

from itertools import combinationsfrom collections import defaultdict  def apriori(transactions, min_sup=0.3, min_conf=0.7):    items = sorted({item for t in transactions for item in t})    n = len(transactions)    freq = {}     current = {frozenset([i]) for i in items}    while current:        counts = {c: 0 for c in current}        for t in transactions:            ts = set(t)            for c in current:                if c.issubset(ts):                    counts[c] += 1        freq.update({c: cnt / n for c, cnt in counts.items() if cnt / n >= min_sup})         current_list = sorted(current)        next_c = set()        for i in range(len(current_list)):            for j in range(i + 1, len(current_list)):                c1 = current_list[i]                c2 = current_list[j]                union = c1 | c2                if len(union) == len(c1) + 1:                    if all((union - {item}) in freq for item in union):                        next_c.add(union)        current = next_c     rules = []    for itemset, sup in freq.items():        if len(itemset) < 2:            continue        for r in range(1, len(itemset)):            for premise in combinations(itemset, r):                premise_set = frozenset(premise)                conclusion = itemset - premise_set                premise_sup = freq.get(premise_set, 0)                if premise_sup > 0:                    conf = sup / premise_sup                    if conf >= min_conf:                        lift = sup / (premise_sup * freq.get(conclusion, 1))                        rules.append((premise_set, conclusion, sup, premise_sup, conf, lift))    return freq, rules  if __name__ == '__main__':    transactions = [        ['牛奶', '面包', '黄油'],        ['啤酒', '尿布'],        ['牛奶', '尿布', '面包'],        ['啤酒', '面包', '尿布'],        ['牛奶', '啤酒', '尿布'],    ]    freq, rules = apriori(transactions, min_sup=0.4, min_conf=0.7)    print('频繁项集：')    for itemset, sup in sorted(freq.items(), key=lambda x: -x[1]):        if len(itemset) >= 1:            print(set(itemset), round(sup, 2))    print('\n关联规则：')    for premise, conclusion, sup, premise_sup, conf, lift in rules:        print(set(premise), '->', set(conclusion),              'conf=', round(conf, 2), 'lift=', round(lift, 2))

1. items = sorted({item for t in transactions for item in t})提取所有不重复的商品作为“派对客人名单”。
2. counts = {c: 0 for c in current}为当前层每个候选组合设置计数器，准备统计支持度。
3. if c.issubset(ts): counts[c] += 1检查交易事务是否包含该候选组合，是则计数加一。
4. freq.update(...)只保留支持度达到阈值的项集，形成频繁项集字典。
5. union = c1 | c2; if len(union) == len(c1)+1连接步：两个 k 项集如果前 k-1 项相同，合并出 k+1 项集。
6. all((union - {item}) in freq for item in union)剪枝步：先验性质，若某个子集不频繁则整个组合被丢弃。
7. for premise in combinations(itemset, r)枚举频繁项集的所有非空真子集，用来生成候选规则。
8. conf = sup / premise_sup计算规则置信度：买前提条件商品后，再买结论商品的概率。
9. lift = sup / (premise_sup * freq.get(conclusion, 1))计算提升度，判断规则是否真的比“偶然同框”更有价值。
10. if __name__ == '__main__':可执行入口，让脚本既能作为模块导入，也能直接运行演示。

常见误区

面试题