基于Apriori和FP-growth算法的超市销售数据关联分析.rar

简介：
本研究采用Apriori及FP-growth算法对超市销售数据进行深入挖掘与关联性分析，旨在发现商品间的隐藏联系，优化库存管理和营销策略。 本段落介绍了一种基于Apriori算法和FP-growth算法的超市销售数据关联分析方法，并以饮料为例研究了顾客在购买其他商品时同时购买饮料的概率。测试环境为Python 3.9.6 和 Jupyter Notebook，包含相关数据集，适合用于课程大作业。 实验结果显示：当顾客购买进口食品时有93.3%的概率会再买饮料；当顾客购买常温熟食类商品时概率上升至92.3%，而香烟的这一比例为84.97%。另外，糖果巧克力和散装休闲食品分别以91.7% 和 87.5% 的概率伴随饮料被选购。 在算法效率方面：对于给定的数据集，Apriori算法显示出更高的运行速度（时间集中在0.03秒以下），并且其结果更容易解读；而FP-growth算法则更有利于揭示不同因素之间的关联性。尽管如此，从实现难度来看，Apriori算法更为简单易懂，并且理论基础也相对容易理解。