除了在機器學習與深度學習的演算法，
其實還有一些演算法，可以幫忙做資料整理，
或是進行推導，尋找關聯性，
像是這篇介紹的Apriori Algorithm。

也有些演算法像是基因演算法，能用來解決困難的數學問題，
，持續優化尋找更佳的解來解方程式。

那這裡使用mlxtend這個套件，進行安裝:

pip install mlxtend

接著可以看官網的範例:
http://rasbt.github.io/mlxtend/user_guide/frequent_patterns/apriori/

import pandas as pd
from mlxtend.preprocessing import TransactionEncoder

dataset = [['Milk', 'Onion', 'Nutmeg', 'Kidney Beans', 'Eggs', 'Yogurt'],
           ['Dill', 'Onion', 'Nutmeg', 'Kidney Beans', 'Eggs', 'Yogurt'],
           ['Milk', 'Apple', 'Kidney Beans', 'Eggs'],
           ['Milk', 'Unicorn', 'Corn', 'Kidney Beans', 'Yogurt'],
           ['Corn', 'Onion', 'Onion', 'Kidney Beans', 'Ice cream', 'Eggs']]


te = TransactionEncoder()
te_ary = te.fit(dataset).transform(dataset)

df = pd.DataFrame(te_ary, columns=te.columns_)

print(df)

dataset為顧客的購買資料，有客人可能買了五樣商品，有人買了七樣。

將資料格式使用TransactionEncoder轉換成布林值的one_hot_encoder。

from mlxtend.frequent_patterns import apriori

result = apriori(df, use_colnames=True)
print(result)

可以發現Eggs、 Kidney Beans，這兩個商品的關聯度是最大的，
可以考慮是否將兩個商品排近一點或是一起買的話祭出優惠。

值得注意的是apriori()這個function能設定最低支持度(min_support)這個參數，都不設定的話，
預設值為0.5。調太高的話，門檻越嚴格，回傳項目越少。

那我們也可以進一步將詳細的關聯規則，進一步印出。

from mlxtend.frequent_patterns import association_rules

return_association_rule =  association_rules(result, metric="confidence", min_threshold=0.7)
print(return_association_rule)