Apriori 关联规则

先分清你要的是共现规则、交叉频数还是选项普及率。Apriori 输出的是「若 A 则 B」的条件概率与提升度；卡方检验的是整张交叉表是否偏离独立；多重响应只清点各选项被勾了多少次。

• Apriori 关联规则：≥2 个项目变量（0/1 或定类），输出规则、支持度、置信度、提升度。

• 多重响应：同一套多选题，只报告响应率与普及率，不生成 A→B。

• 列联表 / 卡方：两个定类字段的格子人数与独立性，不扫全部项集。

• K-Means：定量画像分群，不是购物篮规则。

输入

项目变量为分组定类或普通定类。0/1、真/假列原样作为一项；其它取值会按水平展开成「列名_水平」。不要把准标识符、高基数编号当作项。

• 项目变量：最少 2 个，最多 50 个。

• 默认最小支持度 0.05，默认最小置信度 0.50；稀疏二值篮在无规则时会把置信度逐级放到 0.40、0.35、0.30、0.25、0.20。

输出

结果表列：关联规则（前项 ➔ 后项）、支持度、置信度、提升度。规则按提升度再按置信度降序，最多保留 50 条。同时输出以提升度为横轴的规则排序图与文字洞察。

产品限制

• 有效事务至少 10 行；超过 20000 行会拒绝，需先筛选。

• 展开后的唯一项不得超过 40，否则请合并稀疏水平或少选列。

• 置信度自动放宽时，表注会写实际阈值，论文应引用该值而不是默认 0.50。

• 这些上限来自 StatsX（mlxtend Apriori），不要用 SPSS Modeler 的默认支持度或「只输出提升度>1」的过滤器逐格核对。

研究问题。 学生问卷把厌学拆成五道「有 / 无」勾选，希望看这些表现是否成套出现，而不是只报告每一题的选中率。

教学示例来自学生问卷「有效样本数据」，有效事务 500。五列都是 0/1：不想上数学课 222 人勾选，感到烦躁 98 人勾选。挖掘后只留下 1 条过线规则：[厌学表现情况_一提到数学就感到烦躁] → [厌学表现情况_不想上数学课]，支持度 0.07，置信度 0.3571，提升度 0.8044。置信度已从 0.50 放到 0.35。下载后勾选这五列即可复现。

下载教学示例表（学生问卷）

1. 步骤 1 · 上传表格

   打开工作台，将 Excel / CSV / JSON 拖入上传区。本案例使用学生问卷 xlsx，确认工作表为「有效样本数据」。单文件不超过 20 MB。

2. 步骤 2 · 查看画像与质量

   确认五列厌学表现均为二元 0/1，缺失可接受。不要把学生性别、就读年级这类人口学字段和厌学项混在同一批项目变量里，除非你明确想挖「年级×症状」共现。

3. 步骤 3 · 选择「Apriori 关联规则」

   在算法目录搜索「Apriori」或「关联规则」并点选。适合/可用标记仅供参考。

4. 步骤 4 · 指定项目变量并运行

   项目变量勾选厌学表现情况_不想上数学课、厌学表现情况_不愿完成数学作业、厌学表现情况_一提到数学就感到烦躁、厌学表现情况_考试前因数学感到焦虑不安、厌学表现情况_故意逃避数学相关的活动（至少 2 列）。点击运行分析。

5. 步骤 5 · 阅读结果

   先看表注里的实际置信度阈值，再读提升度是否大于 1。本例提升度小于 1，不能写成「烦躁就会逃课」的促销式结论。

下表由同一份教学示例在 StatsX 中运行 Apriori 得到。有效事务 500，展开后项数为 5。唯一过线规则是烦躁 → 不想上课：支持度 0.07（约 35 人同时勾选），置信度 0.3571（烦躁者里约 36% 也勾了不想上课），提升度 0.8044。全样本「不想上课」底线约 44%，因此这条规则的条件概率还低于底线。

【Apriori关联规则】样本量=500，项数=5，规则数=1，支持度≥0.05，置信度≥0.35（置信度已由 0.5 自动放宽至 0.35）。

【提升度解读】最强规则 Lift=0.80<1，前项与后项呈负向共现（此消彼长）。

解读顺序建议：有效事务与项数 → 表注是否写了置信度放宽 → 支持度是否大到有业务意义 → 置信度相对后项底线 → 提升度是否大于 1。本例最能说明「支持度 / 置信度 ≠ 有用规则」：35.7% 的置信度读起来像「超过三分之一」，但提升度 0.80 说明前项并没有提高后项出现的机会。

把一条事务看成项的集合。项集 X、Y 不交。支持度是 X 与 Y 同时出现的事务比例；置信度是看见 X 之后看见 Y 的条件概率；提升度把该条件概率与 Y 的边际概率相比：

提升度大于 1 表示正共现，等于 1 表示独立，小于 1 表示负共现。Apriori 利用频繁项集的向下封闭性：若某项集不频繁，它的超集也不必再数。默认先在支持度 0.05 下生成频繁项集，再按置信度过滤规则。

• 置信度高、提升度小于 1 时，规则只是在重复一个本来就很常见的后项，或甚至低于底线。

• 稀疏勾选会触发置信度自动放宽；写方法时必须抄表注里的实际阈值。

• 定类列展开后项数膨胀很快，城市×装修这类高基数组合容易撞上 40 项上限。

• 规则不是因果：同时勾选不等于「烦躁导致不想上课」。

• 李克特 1–5 分若不当 0/1 处理，会被拆成五个水平项，解释会变成「打 4 分 → 打 5 分」，通常没有购物篮含义。

• 超过 20000 行需先抽样或筛选，产品不会静默截断。

若只要选项选中率，回到多重响应；若要检验两道题是否独立，用卡方或列联表；若要把学生按定量量表分群，改用聚类。

• Agrawal, R., Srikant, R. Fast algorithms for mining association rules[C]//Proceedings of the 20th International Conference on Very Large Data Bases. 1994: 487–499.

• Han, J., Kamber, M., Pei, J. Data Mining: Concepts and Techniques[M]. Morgan Kaufmann.

• 贾俊平. 统计学[M]. 中国人民大学出版社.