R语言关联规则Apriori对杭州空气质量与气象因子数据研究可视化

全文链接：https://tecdat.cn/?p=34161

原文出处：拓端数据部落公众号

近年来，环境污染问题已经成为全球性的关注焦点。尤其是中国这个世界上最大的发展中国家，其经济快速发展的同时，环境问题也愈发凸显。其中，城市空气质量问题日益严峻，给人们的生活带来了极大的困扰和威胁。杭州作为中国著名的旅游城市，其空气质量问题同样备受关注。然而，影响空气质量的因素众多，其中气象因子在其中扮演着重要的角色。研究气象因子与空气质量之间的关系，对于改善城市空气质量、保障公众健康具有重要意义。

我们基于关联规则的方法，以杭州市不同站点的空气质量和气象因子数据为基础，探讨两者之间的内在关系。帮助客户进行基于关联规则的空气质量与气象因子研究，并详细阐述该研究的背景和目标。

从以下几个方面介绍研究的动机和重要性：

1. 研究背景：针对当前环境污染问题的普遍关注，以及气象因子对空气质量的影响，我们希望通过关联规则分析的方法，深入研究空气质量与气象因子之间的关系。
2. 研究目的：本研究旨在探索不同气象条件下空气质量的变化规律，寻找可能存在的关联规则，并通过可视化方法展示研究结果，从而为环境保护和污染治理提供科学依据。
3. 数据收集：我们将获取的数据包括多个站点的污染物浓度和相应的气象条件数据，并进行适当的预处理和合并操作，以满足关联规则分析的要求。
4. 方法与工具：在研究中，我们将进行关联规则挖掘，并编写相应的代码和注释。同时，为了更好地理解和解释分析结果，我们还将进行数据可视化处理。
5. 预期结果：通过本研究，我们期望能够获得一系列强关联规则，揭示空气质量与气象因子之间的内在联系，并提供对环境管理和政策制定有价值的建议。

数据预处理

data1=read.xlsx("气象数据    气象局.xlsx")  
data2=read.xlsx("所有站点小时数据.xlsx")

#删除缺失数据
  
  
data1=na.omit(data1)  
  
data2=na.omit(data2)

合并数据

dataall=merge(data1,data2,by="datetime")

生成关联规则数据

trans <- as(dataall, "transactions")  
inspect(head(trans, 1))

#查看出现频率  
par(mfrow=c(1,1))  
itemFrequencyPlot(dat1, support = 0.3, cex.names=0.8)

可以看到每个变量出现的频率，从而判断哪些变量的支持度较高。

关联规则挖掘

#得到频繁规则挖掘  
arules::inspect(frequentsets)

查看求得的频繁项集

arules::inspect(sort(frequentsets,by="support"))

建立模型  
rules=apriori

summary(rules)#查看规则

#查看部分规则  
arules::inspect( (rules))

可视化

绘制不同规则图形来表示支持度，置信度和提升度

可以看到 规则前项和规则后项分别有哪些变量 以及每个变量的支持度大小，支持度越大则圆圈越大。

从该图可以看到支持度和置信度的关系，置信度越高提升度也越高。

从该图可以看到支持度和置信度的关系，提升度越高置信度也越高

plot(rules, method="matrix3D", measure="lift")

#查看最高的支持度样本规则  
rules <- sort(rules, by="support")

#查看最高置信度样本规则
arules::inspect(head(rules, n=10))

#查看最高提升度样本规则  
arules::inspect(head(rules, n=10))

subset=confidence>0.3 & support>0.2 & lift>=1    #得到有价值规则子集

by="support"))    #按照支持度排序

,by="confidence"))    #按照置信度排序

对有价值的x集合进行数据可视化

plot(x, method="grouped")

plot(x, method="graph")

---

点击标题查阅往期内容

​R语言APRIORI关联规则、K-MEANS均值聚类分析中药专利复方治疗用药规律网络可视化
非线性混合效应 NLME模型对抗哮喘药物茶碱动力学研究
Python面板时间序列数据预测：格兰杰因果关系检验Granger causality test药品销售实例与可视化
R语言用关联规则和聚类模型挖掘处方数据探索药物配伍中的规律
用SPSS Modeler的Web复杂网络对所有腧穴进行关联规则分析
PYTHON在线零售数据关联规则挖掘APRIORI算法数据可视化
R语言关联规则模型(Apriori算法)挖掘杂货店的交易数据与交互可视化
R语言关联挖掘实例（购物篮分析）
python关联规则学习：FP-Growth算法对药品进行“菜篮子”分析
基于R的FP树fp growth 关联数据挖掘技术在煤矿隐患管理
python关联规则学习：FP-Growth算法对药品进行“菜篮子”分析
通过Python中的Apriori算法进行关联规则挖掘
Python中的Apriori关联算法-市场购物篮分析
R语言用关联规则和聚类模型挖掘处方数据探索药物配伍中的规律
在R语言中轻松创建关联网络
python主题建模可视化LDA和T-SNE交互式可视化
R语言时间序列数据指数平滑法分析交互式动态可视化
用R语言制作交互式图表和地图
如何用r语言制作交互可视化报告图表K-means和层次聚类分析癌细胞系微阵列数据和树状图可视化比较
KMEANS均值聚类和层次聚类：亚洲国家地区生活幸福质量异同可视化分析和选择最佳聚类数
PYTHON实现谱聚类算法和改变聚类簇数结果可视化比较
有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据
R语言多维数据层次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化
Python Monte Carlo K-Means聚类实战研究
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类
R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归
R语言谱聚类、K-MEANS聚类分析非线性环状数据比较
R语言实现k-means聚类优化的分层抽样(Stratified Sampling)分析各市镇的人口
R语言聚类有效性：确定最优聚类数分析IRIS鸢尾花数据和可视化Python、R对小说进行文本挖掘和层次聚类可视化分析案例
R语言k-means聚类、层次聚类、主成分（PCA）降维及可视化分析鸢尾花iris数据集
R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间
R语言用温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图可视化
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类
R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析
R语言复杂网络分析：聚类（社区检测）和可视化
R语言中的划分聚类模型
基于模型的聚类和R语言中的高斯混合模型
r语言聚类分析：k-means和层次聚类
SAS用K-Means 聚类最优k值的选取和分析
用R语言进行网站评论文本挖掘聚类
基于LDA主题模型聚类的商品评论文本挖掘
R语言鸢尾花iris数据集的层次聚类分析
R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归
R语言聚类算法的应用实例