【第十届“泰迪杯”数据挖掘挑战赛】C题：疫情背景下的周边游需求图谱分析 问题三方案及Python实现

相关链接

（1）问题一方案及实现博客介绍

（2）问题二方案及实现博客介绍

（3）问题三方案及实现博客介绍

（4）问题四代码和方案,4月26号已经发布

代码下载

（1）问题一完整代码下载

（2）问题二完整代码和方案下载

（3）问题三代完整方案和代码下载

以下代码不全，请下载完整代码

（4）问题四代码和方案,4月26号已经发布

1 题目

完整的题目，请看第一篇文章

【第十届“泰迪杯”数据挖掘挑战赛】C题：疫情背景下的周边游需求图谱分析 问题一方案及Python实现

问题三：本地旅游图谱构建与分析

依据提供的 OTA、 UGC 数据，对问题 2 中提取出的旅游产品进行关联分析，找出以景区、酒店、餐饮等为核心的强关联模式，结果以表 的形式保存为文件“result3.csv”。在此基础上构建本地旅游图谱并选择合适方法进行可视化分析。鼓励参赛队挖掘旅游产品间隐含的关联模式并进行解释

2 思路方案

以支持度、置信度、提升度加权求和作为关联度得分

• 其中，I表示总事务集。num()表示求事务集里特定项集出现的次数;
• 比如，num(I)表示总事务集的个数;
• num(X∪Y)表示含有{X,Y}的事务集的个数（个数也叫次数）。
• 1.支持度（Support）
  • 支持度表示项集{X,Y}在总项集里出现的概率。公式为：
  • $Support(X\to Y)=P(X,Y)/P(I)=P(X\cup Y)/P(I)=num(XUY)/num(I)$
• 2.置信度 （Confidence）
  • 置信度表示在先决条件X发生的情况下，由关联规则”X→Y“推出Y的概率。即在含有X的项集中，含有Y的可能性，公式为：
  • $Confidence(X\to Y)=P(Y|X)=P(X,Y)/P(X)=P(XUY)/P(X)$
• 3.提升度（Lift）
  • 提升度表示含有X的条件下，同时含有Y的概率，与不含X的条件下却含Y的概率之比。
  • $Lift(X\to Y)=P(Y|X)/P(Y)$

改进点：

我认为我仅仅提供的是一个Baseline，从数据到表，再到可视化的一个过程，仅仅是一个参考答案，并不是最终答案

改进的方向有很多，比如问题二中可以根据NER去提取旅游产品，问题三中可以采用krl（知识表示学习）、erl（实体识别与链接）、ere（实体关系抽取）、ede（实体检测与抽取）、ksq（知识存储与查询）、kr（知识推理）等知识体系去改进。让方案更高级，改进的才能增加获奖的可能

3 Python实现

import pandas as pd
import numpy as np
from collections import defaultdict
# 此csv文件来自第二问的代码，请下载第二问的代码和数据https://mianbaoduo.com/o/bread/YpmYm5xy
data = pd.read_csv('./data/问题二所有数据汇总.csv')

3.1 计算支持度作为相关度

3.1 给样本集的旅游产品one-hot编码

key为旅游产品名称，value代表列

{'周黑鸭（东汇城店）': 0, '茂名文华酒店': 1, '旅游度假区': 2, '古郡水城': 3, '南三岛': 4, '红树林公园': 5, '信宜酒店': 6, '菠斯蒂蛋糕': 7}

则每个句子只要出现旅游产品，相应列则就编码为1。

    [[0 1 0 0 0 1 0 1]
     [0 1 0 1 1 0 0 0]
     [0 0 0 0 1 0 0 1]
     [0 0 1 0 1 1 1 0]
     [1 1 0 0 0 1 0 1]
     [0 1 1 0 0 1 0 1]]

# 给每个样本中的产品onehot编码
# 总共有438个产品，则初始化有438列的0，如果一个样本中存在“丰年面包店“和”功夫鸡排”两个产品，则438列中，这两列对应是1。
# 返回one-hot数组和产品字典编号字典
def create_one_hot(data):
    """将实体数据转换成：0，1数据类型，类似于词袋模型
    """
    。。。略
    请下载完整代码
    return out_array, feature_dict

3.2 计算支持度、置信度、提升度

# 计算支持度作为关联度，
def calculate(data_vector):
    """计算支持度，置信度，提升度
    """
    print('=' * 50)
    print('Calculating...')

    n_samples, n_features = data_vector.shape
    print('特征数: ', n_features)
    print('样本数: ', n_samples)

    support_dict = defaultdict(float)
    confidence_dict = defaultdict(float)
    lift_dict = defaultdict(float)

    # together_appear: {(0, 1): 3, (0, 3): 2, (0, 4): 1, (1, 0): 3, (1, 3): 2,...}
    # together_appear: 元组里的元素是特征的序号，后面的数字，是这两个特征同时出现的总次数
    together_appear_dict = defaultdict(int)

    # feature_num_dict:{0: 3, 1: 4, 2: 3,...}
    # feature_num_dict: key是特征的序号，后面的数字是这个特征出现的总次数
    feature_num_dict = defaultdict(int)

   	。。。略
    请下载完整代码

    return support_dict, confidence_dict, lift_dict

3.3 将编码转为字符串

def convert_to_sample(feature_dict, s, c, l):
    """把0，1，2，3，... 等字母代表的feature，转换成实体
    """
    print('=' * 50)
    print('Start converting to the required sample format...')
    # print(feature_dict)
    feature_mirror_dict = dict()
    for k, v in feature_dict.items():
        feature_mirror_dict[v] = k
    # print(feature_mirror_dict)

    。。。略
    请下载完整代码

data_array, feature_di = create_one_hot(data)
support_di, confidence_di, lift_di = calculate(data_array)

support = sorted(support_di.items(), key=lambda x: x[1], reverse=True)
confidence = sorted(confidence_di.items(),
                    key=lambda x: x[1], reverse=True)
lift = sorted(lift_di.items(), key=lambda x: x[1], reverse=True)

support_li, confidence_li, lift_li = convert_to_sample(feature_di, support, confidence, lift)

3.4 计算关联度

support_df = pd.DataFrame(support_li,columns=['产品名称1','产品名称2','支持度'])
confidence_df = pd.DataFrame(confidence_li, columns=['产品名称1', '产品名称2', '置信度'])
lift_df = pd.DataFrame(lift_li, columns=['产品名称1', '产品名称2', '提升度'])

。。。略
请下载完整代码
del submit_3['支持度']
submit_3

3.5 生成result3.csv

map_dict ={
    
    }
for i,d in enumerate(feature_di):
    map_dict[d] = 'ID'+str(feature_di[d]+1)
map_dict   

# 将名称转为ID
submit_3['产品1'] = submit_3['产品名称1'].map(map_dict)
submit_3['产品2'] = submit_3['产品名称2'].map(map_dict)
result3 = submit_3[['产品1', '产品2','关联度']]
result3

# 读取问题二的产品类型表，需要生成表3的关联类型
# # 此csv文件来自第二问的代码，请下载第二问的代码和数据https://mianbaoduo.com/o/bread/YpmYm5xy
result2_2 = pd.read_csv('./data/result2-2.csv')
p_k = result2_2['产品ID']
p_v = result2_2['产品类型']
p_type_dict  = dict(zip(p_k,p_v))
p_type_dict

result3['关联类型'] = p_type
result3.to_csv('./data/result3.csv',index=False)

3.6 可视化关联

import matplotlib.pyplot as plt
import networkx as nx
import pandas as pd

from spacy import displacy
G = nx.from_pandas_edgelist(submit_3[submit_3['关联度'] > 0], "产品名称1", "产品名称2",
                            edge_attr=True, create_using=nx.MultiDiGraph())


plt.figure(figsize=(12, 12))
pos = nx.spring_layout(G, k=0.5)  # k regulates the distance between nodes
nx.draw(G, with_labels=True, node_color='skyblue',
        node_size=1500, edge_cmap=plt.cm.Blues, pos=pos)