R中的实现
1 相关软件包
R中两个专用于关联分析的软件包-—arules 和 arulesViz。其中，arules用于关联规则的数字化生成,提供Apriori和 Eclat这两种快速挖掘频繁项集和关联规则算法的实现函数;而arulesViz软件包作为arules 的扩展包，提供了几种实用而新颖的关联规则可视化技术，使得关联分析从算法运行到结果呈现一体化。
2 核心函数
Apriori是最经典的关联分析挖掘算法，原理清晰且实现方便，可以说是学习关联分析的入门算法，但效率较低;而 Eclat算法则在运行效率方面有所提升。
(1). apriori函数
在R中实现Apriori算法，其核心函数为apriori()，来源于前面介绍数据集时提到的arules软件包。函数的基本格式为:
apriori (data，parameter = NULL，appearance = NULL,control = NULL)
其中，parameter参数可以对支持度(support)、置信度（confidence)、每个项集所含项数的最大值/最小值(maxlen/minlen)，以及输出结果(target）等重要参数进行设置。如果没有对其进行设值，函数将对各参数取默认值: support=0.1，confidence=0.8，maxlen=10，minlen=1，target=“rules""“frequent itemsets”(输出关联规则/频繁项集)。
而参数 appearance可以对先决条件X(lhs)和关联结果Y(rhs)中具体包含哪些项进行限制,如:设置lhs=beer，将仅输出 lhs 中含有“啤酒”这一项的关联规则，在默认情况下，所有项都将无限制出现。
control参数则用来控制函数性能，如可以设定对项集进行升序(sort=1)还是降序(sort=-1)排序，是否向使用者报告进程(verbose=TURE/FALSE）等。
(2). eclat函数
Eclat算法的核心函数即为eclat()，其格式为:
eclat (data,parameter=NULL,control=NULL)
与apriori()相比，我们看到参数 parameter和 control被保留，而不含有appearance参数。其中parameter与 control 的作用与apriori()中基本相同，但需要注意的是，parameter中的输出结果( target）一项不可设置为rules，即通过eclat()函数无法生成关联规则，并且maxlen 的默认值为5。
3 数据集
我们选择使用arules软件包中的Groceries数据集进行算法演示，该数据集是某一食品杂货店一个月的真实交易数据。
library(arules)
data("Groceries")
summary(Groceries)
结果分析：它共包含9835条交易(transactions）以及169个项( items)，也就是我们通常所说的商品;并且全脂牛奶(whole milk)是最受欢迎的商品，之后依次为蔬菜(other vegetables)、面包卷(rolls/buns)等。
现在展示数据集的前10条交易信息：
inspect(Groceries[1:10])
结果分析：其中每一条数据即代表一位消费者购物篮中的商品类别，如:第一位消费者购买了柑橘( citrus fruit)、半成品面包( semi-finished bread)、黄油( margarine）以及即食汤(ready soups)四种食物。
应用案例
运用R软件挖掘Groceries 数据中各商品的购买行为中所隐含的关联性。
1 数据初探
首先，我们尝试对apriori()函数以最少的限制，来观察它可以反馈给我们哪些信息，再以此决定下一步操作。这里将支持度的最小阈值(minsup）设置为0.001，置信度最小阈值(mincon)设为0.5，其他参数不进行设定取默认值，并将所得关联规则名记为rules0。
rules0<-apriori(Groceries,parameter = list(support=0.001,confidence=0.5))
rules0 #显示rules0中生成的关联规则条数
inspect(rules0[1:10]) #观测rules0中前10条规则
结果分析：输出包括5668条关联规则，如此大量的关联规则全部输出使没有意义的，所以需要设置具体的参数。
2 对生成规则进行强度控制
最常用的方法即是通过提高支持度和/或置信度的值来实现这一目的，而最终关联规则的规模大小，或者说强度高低，是根据使用者的需要决定的。但需要知道，如果阈值设定较高，容易丢失有用信息，若设定较低，则生成的规则数量将会很大。
一般来说，我们可以选择先不对参数进行设置，直接使用apriori()函数的默认值（支持度为0.1，置信度为0.8）来生成规则，再进一步调整。或者如上一节所示，先将阈值设定得很低，再逐步提高阈值,直至达到设想的规则规模或强度。
（1） 通过支持度、置信度共同控制
首先，我们可以考虑将支持度与置信度两个指标共同提高来实现，如下当仅将支持度提高0.004至0.005时，规则数降为120条，进而调整置信度参数至0.64后，仅余下4条规则。另外，在两参数共同调整过程中，如果更注重关联项集在总体中所占的比例，则可以适当地多提高支持度的值:若是更注重规则本身的可靠性，则可多提高一些置信度值。
rules1<-apriori(Groceries,parameter = list(support=0.005,confidence=0.5)) rules1
rules2<-apriori(Groceries,parameter = list(support=0.005,confidence=0.6)) rules2
rules3<-apriori(Groceries,parameter = list(support=0.005,confidence=0.64)) rules3
inspect(rules3)
（2） 主要通过支持度控制
另外，也可以采取对其中一个指标给予固定阈值，再按照其他指标来选择前5强的关联规则。比如当我们想要按照支持度来选择：
rules.sorted_sup<-sort(rules0,by="support") #设置支持度阈值为0.5，按支持度排序 inspect(rules.sorted_sup[1:5]) #输出前5条强关联规则
（3）主要通过置信度控制
以下类似的，我们按照置信度来选出前5条强关联规则，由输出结果得到了5条置信度高达100%的关联规则，比如第一条规则:购买了米和糖的消费者，都购买了全脂牛奶。这就是一条相当有用的关联规则，正如这些食品在超市中往往摆放得很近。
rules.sorted_sup<-sort(rules0,by="confidence") inspect(rules.sorted_sup[1:5])
（4）主要通过提升度控制
我们按lift值进行升序排序并输出前5条：
rules.sorted_lift<-sort(rules0,by="lift") inspect(rules.sorted_lift[1:5])
结果分析：由以上输出结果，我们能够清晰地看到强度最高的关联规则为{即食食品，苏打水}→{汉堡肉}，其后为{苏打水，爆米花}→{垃圾食品}。
实际应用案例
相信你在逛超市时一定发现过两种商品捆绑销售的情况，这可能是因为商家想要促销其中的某种商品。比如我们现在想要促销一种比较冷门的商品——芥末(mustard)，可以通过将函数 apriori)中的关联结果（rhs）参数设置为“mustard”，来搜索出rhs中仅包含mustard 的关联规则，从而有效地找到mustard 的强关联商品，来作为捆绑商品。
如下输出结果显示蛋黄酱(mayonnaise）是芥末( mustard）的强关联商品，因此我们可以考虑将它们捆绑起来摆放在货架上，并制定一个合适的共同购买价格，从而对两种商品同时产生促销效果。另外，我们还用到了参数 maxlen，这里将其设为2，控制lhs 中仅包含一种食品，这是因为在实际的情形中，我们一般仅将两种商品进行捆绑，而不是一堆商品。
rules4<-apriori(Groceries,parameter = list(maxlen=2,support=0.001,confidence=0.1),appearance = list(rhs="mustard",default="lhs")) inspect(rules4)
改变输出结果形式
我们知道，apriori()和eclat()函数都可以根据需要输出频繁项集(frequent itemsets）等其他形式结果。比如当我们想知道某超市这个月销量最高的商品，或者捆绑销售策略在哪些商品簇中作用最显著等，选择输出给定条件下的频繁项集即可。
如下即是将目标参数（target）设为“frequent itemsets”后的结果：
itemsets_apr<-apriori(Groceries,parameter = list(supp=0.001,target="frequent itemsets"),control = list(sort=-1)) itemsets_apr #显示生成频繁项集的个数
inspect(itemsets_apr[1:5]) #观察前5个频繁项集
结果分析：我们看到以sort参数对项集频率进行降序排序后，销量前5的商品分别为全脂牛奶、蔬菜、面包卷、苏打以及酸奶。
我们使用eclat()函数来获取最适合进行捆绑销售，或者说相近摆放的5对商品。比如,下面的输出结果中的全脂牛奶和蜂蜜，以及全脂牛奶与苏打作为共同出现最为频繁的两种商品，则可以考虑采取相邻摆放等营销策略。（频繁项集的产生只于支持阈值有关）
itemsets_ecl<-apriori(Groceries,parameter = list(minlen=1,maxlen=3,supp=0.001,target="frequent itemsets"),control = list(sort=-1)) itemsets_ecl inspect(itemsets_ecl[1:5])
