# ============================================ # バスケット分析の実装 # ============================================ # バスケット分析（マーケットバスケット分析）とは？ # → 「一緒に買われやすい商品の組み合わせ」を発見 # → レコメンド、クロスセル、売り場配置に活用 import pandas as pd import numpy as np from itertools import combinations # ============================================ # itertools.combinations とは？ # ============================================ # combinations(リスト, r): リストからr個を選ぶ全組み合わせを生成 # # 例: combinations([‘A’, ‘B’, ‘C’], 2) # → (‘A’, ‘B’), (‘A’, ‘C’), (‘B’, ‘C’) # # バスケット分析では、購入された商品の「ペア」を調べるため、 # r=2 で全ての2商品の組み合わせを生成 # サンプルデータ作成（トランザクションデータ） np.random.seed(42) # 商品リスト products = [‘パン’, ‘牛乳’, ‘バター’, ‘チーズ’, ‘ヨーグルト’, ‘ハム’, ‘卵’, ‘コーヒー’, ‘ジュース’, ‘シリアル’] # ============================================ # トランザクションデータの生成 # ============================================ # トランザクション = 1回の買い物で購入された商品リスト # 実務では、POSデータから作成 transactions = [] for _ in range(1000): # 1000件の取引を生成 basket = [] # 関連性のあるパターンを設定 # → パンを買った人は牛乳・バターも買いやすい if np.random.random() < 0.3: # 30%の確率でパンを購入 basket.append('パン') if np.random.random() < 0.6: # パン購入者の60%が牛乳も basket.append('牛乳') if np.random.random() < 0.4: # パン購入者の40%がバターも basket.append('バター') # コーヒーを買った人はミルク系も if np.random.random() < 0.25: # 25%がコーヒー購入 basket.append('コーヒー') if np.random.random() < 0.5: # コーヒー購入者の50%が牛乳 if '牛乳' not in basket: basket.append('牛乳') # ランダムな商品も追加（現実的なデータに） n_random = np.random.randint(1, 4) # 1〜3品 available = [p for p in products if p not in basket] random_items = np.random.choice(available, size=min(n_random, len(available)), replace=False) # replace=False: 重複なし basket.extend(random_items) transactions.append(basket) print("【サンプルトランザクション】") for i, basket in enumerate(transactions[:5], 1): print(f"取引{i}: {basket}") # ============================================ # 各商品の購入回数を集計 # ============================================ # サポート（支持度）の計算に使用 print("\n【商品別購入回数】") product_counts = {} for trans in transactions: for item in trans: # .get(key, default): キーがなければdefaultを返す product_counts[item] = product_counts.get(item, 0) + 1 for product, count in sorted(product_counts.items(), key=lambda x: x[1], reverse=True): print(f"{product}: {count}回 ({count/len(transactions)*100:.1f}%)")

# ============================================ # アソシエーションルールの計算 # ============================================ # アソシエーションルールとは？ # 「Aを買った人は、Bも買う」という法則 # # 3つの重要指標： # 1. サポート（支持度）: AとBが一緒に買われる割合 # 2. 信頼度: Aを買った人のうち、Bも買う割合 # 3. リフト: 偶然より何倍買われやすいか（最重要！） def calculate_association_rules(transactions, min_support=0.05, min_confidence=0.3): “”” アソシエーションルールを計算 Parameters: ———– transactions : list of list – トランザクションデータ min_support : float – 最小サポート（これ以下は無視） min_confidence : float – 最小信頼度（これ以下は無視） Returns: ——– rules : list of dict – ルールのリスト（リフト値でソート済み） “”” n_trans = len(transactions) # 総取引数 # ============================================ # ステップ1: 各商品の出現回数をカウント # ============================================ item_counts = {} for trans in transactions: for item in trans: item_counts[item] = item_counts.get(item, 0) + 1 # ============================================ # ステップ2: 商品ペアの出現回数をカウント # ============================================ # combinations(set(trans), 2): 各取引内の2商品の全組み合わせ # tuple(sorted(pair)): 順序を統一（(‘A’,’B’)と(‘B’,’A’)を同じに） pair_counts = {} for trans in transactions: for pair in combinations(set(trans), 2): pair = tuple(sorted(pair)) # アルファベット順に統一 pair_counts[pair] = pair_counts.get(pair, 0) + 1 # ============================================ # ステップ3: 各指標を計算してルール生成 # ============================================ rules = [] for (item_a, item_b), count in pair_counts.items(): # サポート = (AとBが一緒に出現する回数) / 総取引数 support = count / n_trans # 最小サポートを満たさなければスキップ if support < min_support: continue # A → B のルール（Aを買った人がBも買う） # 信頼度 = (AとBが一緒の回数) / (Aの回数) confidence_ab = count / item_counts[item_a] # リフト = 信頼度 / Bの出現率 # → 1より大きい: Aを買うと、Bが通常より買われやすい # → 1: 関係なし（偶然） # → 1未満: Aを買うと、Bが買われにくい lift_ab = confidence_ab / (item_counts[item_b] / n_trans) if confidence_ab >= min_confidence: rules.append({ ‘antecedent’: item_a, # 条件部（買ったもの） ‘consequent’: item_b, # 結論部（一緒に買うもの） ‘support’: support, ‘confidence’: confidence_ab, ‘lift’: lift_ab }) # B → A のルール（逆方向も計算） confidence_ba = count / item_counts[item_b] lift_ba = confidence_ba / (item_counts[item_a] / n_trans) if confidence_ba >= min_confidence: rules.append({ ‘antecedent’: item_b, ‘consequent’: item_a, ‘support’: support, ‘confidence’: confidence_ba, ‘lift’: lift_ba }) # リフト値の高い順にソート（実務で重要なルールが上に） return sorted(rules, key=lambda x: x[‘lift’], reverse=True) # ルールの計算実行 rules = calculate_association_rules(transactions, min_support=0.05, # 5%以上の取引で発生 min_confidence=0.3) # 30%以上の確率 print(“【アソシエーションルール（リフト値順）】”) print(f”{‘ルール’:<20} {'サポート':>10} {‘信頼度’:>10} {‘リフト’:>10}”) print(“-” * 55) for rule in rules[:10]: rule_str = f”{rule[‘antecedent’]} → {rule[‘consequent’]}” print(f”{rule_str:<20} {rule['support']*100:>9.1f}% ” f”{rule[‘confidence’]*100:>9.1f}% {rule[‘lift’]:>9.2f}”) print(“\n【結果の読み方】”) print(“・リフト > 1.0: その組み合わせは偶然より買われやすい”) print(“・信頼度: 条件商品を買った人のうち、結論商品も買う割合”) print(“・サポート: その組み合わせが全取引に占める割合”)

# 実用的なルールの抽出とレポート def generate_recommendation_report(rules, min_lift=1.2): “””実務で使えるルールをレポート””” practical_rules = [r for r in rules if r[‘lift’] >= min_lift] print(“=” * 60) print(“バスケット分析レポート”) print(“=” * 60) print(f”分析対象ルール数: {len(rules)}”) print(f”実用的なルール数: {len(practical_rules)} (リフト値 >= {min_lift})”) print(“-” * 60) print(“\n【実務で使えるルール TOP5】\n”) for i, rule in enumerate(practical_rules[:5], 1): print(f”#{i} {rule[‘antecedent’]} を購入した顧客”) print(f” → {rule[‘consequent’]} も購入する確率: {rule[‘confidence’]*100:.1f}%”) print(f” → 通常より {rule[‘lift’]:.2f}倍 買われやすい”) print(f” → 全取引の {rule[‘support’]*100:.1f}% で発生”) print() print(“-” * 60) print(“【推奨アクション】”) print() for rule in practical_rules[:3]: print(f”◆ {rule[‘antecedent’]} ページで「{rule[‘consequent’]}」をレコメンド”) print(f” 期待効果: クリック率 {rule[‘confidence’]*100:.0f}% 以上”) print() print(“=” * 60) # レポート出力 generate_recommendation_report(rules)

# mlxtendライブラリを使った実装 # pip install mlxtend from mlxtend.frequent_patterns import apriori, association_rules from mlxtend.preprocessing import TransactionEncoder # トランザクションデータをワンホットエンコーディング te = TransactionEncoder() te_array = te.fit(transactions).transform(transactions) df = pd.DataFrame(te_array, columns=te.columns_) print(“【ワンホットエンコーディング後のデータ】”) print(df.head()) # Aprioriで頻出アイテムセットを抽出 frequent_itemsets = apriori(df, min_support=0.05, use_colnames=True) frequent_itemsets[‘length’] = frequent_itemsets[‘itemsets’].apply(len) print(“\n【頻出アイテムセット（サポート >= 5%）】”) print(frequent_itemsets.sort_values(‘support’, ascending=False).head(10)) # アソシエーションルールの抽出 rules_df = association_rules(frequent_itemsets, metric=”confidence”, min_threshold=0.3) rules_df = rules_df.sort_values(‘lift’, ascending=False) print(“\n【アソシエーションルール（上位10件）】”) print(rules_df[[‘antecedents’, ‘consequents’, ‘support’, ‘confidence’, ‘lift’]].head(10))