购物篮分析关联规则挖掘应用
将单个客户一次购买商品的总和(以收银台结账为准)称为一个购物篮。那么购物篮分析就是针对商品的相关性进行分析。因为最初这种关联分析主要是在超市应用广泛，所以也称为“购物篮分析”。
购物篮分析是商业领域最前沿、最具挑战性的问题之一，也是许多企业研究的重点问题。购物篮分析是通过发现顾客在一次购买行为中放入购物篮中不同商品之间的关联，研究客户的购买行为，从而辅助零售企业制定营销策略的一种数据分析方法。
本章使用Apriori关联规则算法实现购物篮分析，发现超市不同商品之间的关联关系，并根据商品之间的关联规则制定销售策略。
背景与挖掘目标
现代商品种类繁多，顾客往往会由于需要购买的商品众多而变得疲于选择，且顾客并不会因为商品选择丰富而选择购买更多的商品。繁杂的选购过程往往会给顾客疲惫的购物体验。对于某些商品，顾客会选择同时购买，如面包与牛奶、薯片与可乐等，当面包与牛奶或者薯片与可乐分布在商场的两侧，且距离十分遥远时，顾客购买的欲望就会减少，在时间紧迫的情况下顾客甚至会放弃购买某些计划购买的商品。相反，把牛奶与面包摆放在相邻的位置，既给顾客提供便利，提升购物体验，又提高顾客购买的概率，达到了促销的目的。许多商场以打折方式作为主要促销手段，以更少的利润为代价获得更高的销量。打折往往会使顾客增加原计划购买商品的数量，对于原计划不打算购买且不必要的商品，打折的吸引力远远不足。而正确的商品摆放却能提醒顾客购买某些必需品，甚至吸引他们购买感兴趣的商品。
因此，为了获得最大的销售利润，销售什么样的商品，采用什么样的促销策略，商品在货架上如何摆放，了解顾客的购买习惯和偏好对销售商尤其重要。通过对商场销售数据进行分析，从而得到顾客的购买行为特征，并根据发现的规律而采取有效的行动，制定商品摆放、商品定价、新商品采购计划，对商场增加销量并获取最大利润有重要意义。
我们需要根据提供的数据实现以下目标:
1) 构建零售商品的Apriori关联规则模型，分析商品之间的关联性;
2) 根据模型结果给出销售策略。
01
挖掘建模的总体流程
本次数据挖掘建模的总体流程如图 1所示。
图 1 购物篮分析流程图
购物篮关联规则挖掘主要步骤如下:
1) 对原始数据进行数据探索性分析，分析商品的热销情况与商品结构;
2) 对原始数据进行数据预处理，转换数据形式，使之符合Apriori关联规则算法要求;
3) 在步骤（2）得到的建模数据基础上，采用Apriori关联规则算法，调整模型输入参数，完成商品关联性分析;
4) 结合实际业务，对模型结果进行分析，根据分析结果给出销售建议，最后输出关联规则结果。
02
数据探索分析
本案例的探索性分析是查看数据特征，以及对商品热销情况和商品结构分析。探索数据特征是了解数据的第一步。分析商品热销情况和商品结构，是为了更好地实现企业的经营目标。商品管理应坚持商品齐全和商品优选的原则，产品销售基本满足“二八定律”即80%的销售额是由20%的商品创造的，这些商品是企业主要盈利商品，要作为商品管理的重中之重。商品热销情况分析和商品结构分析也是商品管理不可或缺的一部分，其中商品结构分析能够帮助保证商品的齐全性，热销情况分析可以助力于商品优选。
某商品零售企业共收集了9835个购物篮的数据，购物篮数据主要包括3个属性：id、Goods和Types。属性的具体说明如表 1所示。
表1 购物篮属性说明
1. 数据特征
探索数据的特征，查看每列属性、最大值、最小值，是了解数据的第一步。查看数据特征，如代码清单1所示。
import numpy as npimport pandas as pdinputfile = '../data/GoodsOrder.csv' # 输入的数据文件data = pd.read_csv(inputfile,encoding='gbk') # 读取数据data.info() # 查看数据属性data = data['id']description = [data.count(),data.min(), data.max()] # 依次计算总数、最小值、最大值description = pd.DataFrame(description, index=['Count','Min', 'Max']).T # 将结果存入数据框print('描述性统计结果：\n',np.round(description)) # 输出结果
代码清单1 查看数据特征
根据代码清单1可得，每列属性共有43367个观测值，并不存在缺失值。查看“id”属性的大值和最小值，可知某商品零售企业共收集了9835个购物篮的数据，其中包含169个不同的商品类别，售出商品总数为43367件。
2. 分析热销商品
商品热销情况分析是商品管理不可或缺的一部分，热销情况分析可以助力于商品优选。计算销量排行前10商品的销量及占比，并绘制条形图显示销量前10商品的销量情况，如代码清单2所示。
# 销量排行前10商品的销量及其占比import pandas as pdinputfile = '../data/GoodsOrder.csv' # 输入的数据文件data = pd.read_csv(inputfile,encoding='gbk') # 读取数据group = data.groupby(['Goods']).count().reset_index() # 对商品进行分类汇总sorted=group.sort_values('id',ascending=False)print('销量排行前10商品的销量:\n', sorted[:10]) # 排序并查看前10位热销商品# 画条形图展示出销量排行前10商品的销量import matplotlib.pyplot as pltx = sorted[:10]['Goods']y = sorted[:10]['id']plt.figure(figsize=(8, 4)) # 设置画布大小plt.barh(x,y)plt.rcParams['font.sans-serif'] = 'SimHei'plt.xlabel('销量') # 设置x轴标题plt.ylabel('商品类别') # 设置y轴标题plt.title('商品的销量TOP10') # 设置标题plt.savefig('../tmp/top10.png') # 把图片以.png格式保存plt.show() # 展示图片# 销量排行前10商品的销量占比data_nums = data.shape[0]for idnex, row in sorted[:10].iterrows():print(row['Goods'],row['id'],row['id']/data_nums)
代码清单2 分析热销商品
根据代码清单2可得到销量排行前10商品的销量及其占比情况，如表 2和图 2所示。
表 2 销量排行前10商品的销量及其占比
图 2 销量排行前10的商品销量情况
通过分析热销商品的结果可知，全脂牛奶销售量最高，销量为2513件，占比5.795%；其次是其他蔬菜、面包卷和苏打，占比分别为4.388%、4.171%、3.955%。
2. 分析商品结构
对每一类商品的热销程度进行分析，有利于商家制定商品在货架的摆放策略和位置，若是某类商品较为热销，商场可以把此类商品摆放到商场的中心位置，方便顾客选购。或者放在商场深处位置，使顾客在购买热销商品前经过非热销商品，增加在非热销商品处的停留时间，促进非热销产品的销量。
原始数据中的商品本身已经过归类处理，但是部分商品还是存在一定的重叠，故再次对其进行归类处理。分析归类后各类别商品的销量及其占比，并绘制饼图显示各类商品的销量占比情况，如代码清单3所示
import pandas as pdinputfile1 = '../data/GoodsOrder.csv'inputfile2 = '../data/GoodsTypes.csv'data = pd.read_csv(inputfile1,encoding='gbk')types = pd.read_csv(inputfile2,encoding='gbk') # 读入数据group = data.groupby(['Goods']).count().reset_index()sort = group.sort_values('id',ascending=False).reset_index()data_nums = data.shape[0] # 总量del sort['index']sort_links = pd.merge(sort,types) # 合并两个datafreame 根据type# 根据类别求和，每个商品类别的总量，并排序sort_link = sort_links.groupby(['Types']).sum().reset_index()sort_link = sort_link.sort_values('id',ascending=False).reset_index()del sort_link['index'] # 删除“index”列# 求百分比，然后更换列名，最后输出到文件sort_link['count'] = sort_link.apply(lambda line: line['id']/data_nums,axis=1)sort_link.rename(columns={'count':'percent'},inplace=True)print('各类别商品的销量及其占比:\n',sort_link)outfile1 = '../tmp/percent.csv'sort_link.to_csv(outfile1,index=False,header=True,encoding='gbk') # 保存结果# 画饼图展示每类商品销量占比import matplotlib.pyplot as pltdata = sort_link['percent']labels = sort_link['Types']plt.figure(figsize=(8, 6)) # 设置画布大小plt.pie(data,labels=labels,autopct='%1.2f%%')plt.rcParams['font.sans-serif'] = 'SimHei'plt.title('每类商品销量占比') # 设置标题plt.savefig('../tmp/persent.png') # 把图片以.png格式保存plt.show()
代码清单3 各类别商品的销量及其占比
根据代码清单3可得各类别商品的销量及其占比情况，结果如表3、图3所示。
表3 各类别商品的销量及其占比
图 3 各类别商品的销量占比情况
通过分析各类别商品的销量及其占比情况可知，非酒精饮料、西点、果蔬三类商品销量差距不大，占总销量的50%左右，同时，根据大类划分发现和食品相关的类的销量总和接近90%，说明了顾客倾向于购买此类产品，而其余商品仅为商场满足顾客的其余需求而设定，并非销售的主力军。
进一步查看销量第一的非酒精饮料类商品的内部商品结构，并绘制饼图显示其销量占比情况，如代码清单4所示。
# 先筛选“非酒精饮料”类型的商品，然后求百分比，然后输出结果到文件。selected = sort_links.loc[sort_links['Types'] == '非酒精饮料'] # 挑选商品类别为“非酒精饮料”并排序child_nums = selected['id'].sum() # 对所有的“非酒精饮料”求和selected['child_percent'] = selected.apply(lambda line: line['id']/child_nums,axis=1) # 求百分比selected.rename(columns={'id':'count'},inplace=True)print('非酒精饮料内部商品的销量及其占比:\n',selected)outfile2 = '../tmp/child_percent.csv'sort_link.to_csv(outfile2,index=False,header=True,encoding='gbk') # 输出结果# 画饼图展示非酒精饮品内部各商品的销量占比import matplotlib.pyplot as pltdata = selected['child_percent']labels = selected['Goods']plt.figure(figsize=(8,6)) # 设置画布大小explode = (0.02,0.03,0.04,0.05,0.06,0.07,0.08,0.08,0.3,0.1,0.3) # 设置每一块分割出的间隙大小plt.pie(data,explode=explode,labels=labels,autopct='%1.2f%%',pctdistance=1.1,labeldistance=1.2)plt.rcParams['font.sans-serif'] = 'SimHei'plt.title("非酒精饮料内部各商品的销量占比") # 设置标题plt.axis('equal')plt.savefig('../tmp/child_persent.png') # 保存图形plt.show() # 展示图形
代码清单4 非酒精饮料内部商品的销量及其占比
根据代码清单4可得非酒精饮料内部商品的销量及其占比情况，如表4、图4所示。
表4 非酒精饮料内部商品的销量及其占比
图 4非酒精饮料内部商品的销量占比情况
通过分析非酒精饮料内部商品的销量及其占情况可知，全脂牛奶的销量在非酒精饮料的总销量中占比超过33%，前3种非酒精饮料的销量在非酒精饮料的总销量中占比接近70%，说明了大部分顾客到店购买的饮料为这三种，需要时常注意货物的库存，定期补货必不可少。
下期会继续分析：数据分析案例丨商品零售购物篮分析（下）
