使用Python mlxtend的Apriori算法做关联分析仅返回列名无结果

• 参数传入错误：你通过TransactionEncoder完成独热编码得到了data_tr_encoded，但调用apriori()方法时依旧传入了未编码的原始宽表data_tr，mlxtend的apriori要求输入值为0/1或者True/False的布尔型/数值型独热矩阵，否则无法正确识别频繁项。
• 数据格式问题：你处理得到的data_tr里的值是实际计数（比如消费次数、金额），不是0/1的布尔标记，apriori默认会把非1的值判定为未购买，就算你不做TransactionEncoder，也需要先把大于0的值统一转成1，否则会过滤掉大部分有效交易。
• apriori参数缺失：mlxtend的apriori默认不会返回项集对应的名称，需要指定use_colnames=True参数，才会把列名替换为项集内容，否则只会返回项集的索引编号，看起来就像只有列名没有内容。

1. 修正数据处理逻辑，不需要重复使用TransactionEncoder，你已经通过unstack把service_type转成列了，直接把大于0的数值转成1即可：

data = pd.read_csv(_link of the csv location_)
# 原宽表处理逻辑不变
data_tr = data.groupby(['transaction_id', 'service_type']).sum().unstack().reset_index().fillna(0).set_index('transaction_id').droplevel(0,1)
# 新增：把大于0的数值统一转成1，符合apriori的输入要求
data_tr = data_tr.applymap(lambda x: 1 if x >0 else 0)

2. 修正apriori的调用参数，传入处理好的独热矩阵，添加use_colnames=True：

# 之前的TransactionEncoder相关代码可以删除，你已经完成了宽表转换
frequent_tr = apriori(data_tr, min_support=0.05, use_colnames=True)
print(frequent_tr)

3. 如果调整后还是没有结果，可逐步调小min_support的阈值，比如先设为0.001，确认有结果后再根据业务需求上调阈值即可。

内容的提问来源于stack exchange，提问作者Azul