Market Basket Analysis
Daniela Ibarra A01571380
2024-09-10
###Poner imagenes en codigo, tiene que ser png o algún GIF, puedes usar file.choose() en la consola para encontrar la dirección de un documento
Instalar paquetes y llamar librerías</span)>
#install.packages("tidyverse") #Paquete global para manipulación y análisis de datos, tinyverse ess un paquete global que tiene muchos otros paquetes incluidos, que es para manipular datos.
library(tidyverse)
#install.packages("plyr")
library(plyr)
# install.packages("dplyr") #Sirve para filtrar bases de datos
library(dplyr)
#install.packages("janitor") #Examinar y limpiar bases de datos sucias
library(janitor)
#install.packages("Matrix") #Para trabajar con matrices
library(Matrix)
#install.packages("arules") #Genera reglas de asociación
library(arules)
#install.packages("arulesViz") #Visualizar reglas de asociación
library(arulesViz)
#install.packages("datasets")
library(datasets)#Importar la base de datos
#file.choose()
df <- read.csv("/Users/danielaibarra/Desktop/Bootcamp Programación/abarrotes.csv")#Análisis Descriptivo
summary(df)## vcClaveTienda DescGiro Codigo.Barras PLU
## Length:200625 Length:200625 Min. :8.347e+05 Min. : 1.00
## Class :character Class :character 1st Qu.:7.501e+12 1st Qu.: 1.00
## Mode :character Mode :character Median :7.501e+12 Median : 1.00
## Mean :5.950e+12 Mean : 2.11
## 3rd Qu.:7.501e+12 3rd Qu.: 1.00
## Max. :1.750e+13 Max. :30.00
## NA's :199188
## Fecha Hora Marca Fabricante
## Length:200625 Length:200625 Length:200625 Length:200625
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Producto Precio Ult.Costo Unidades
## Length:200625 Min. :-147.00 Min. : 0.38 Min. : 0.200
## Class :character 1st Qu.: 11.00 1st Qu.: 8.46 1st Qu.: 1.000
## Mode :character Median : 16.00 Median : 12.31 Median : 1.000
## Mean : 19.42 Mean : 15.31 Mean : 1.262
## 3rd Qu.: 25.00 3rd Qu.: 19.23 3rd Qu.: 1.000
## Max. :1000.00 Max. :769.23 Max. :96.000
##
## F.Ticket NombreDepartamento NombreFamilia NombreCategoria
## Min. : 1 Length:200625 Length:200625 Length:200625
## 1st Qu.: 33964 Class :character Class :character Class :character
## Median :105993 Mode :character Mode :character Mode :character
## Mean :193990
## 3rd Qu.:383005
## Max. :450040
##
## Estado Mts.2 Tipo.ubicación Giro
## Length:200625 Min. :47.0 Length:200625 Length:200625
## Class :character 1st Qu.:53.0 Class :character Class :character
## Mode :character Median :60.0 Mode :character Mode :character
## Mean :56.6
## 3rd Qu.:60.0
## Max. :62.0
##
## Hora.inicio Hora.cierre
## Length:200625 Length:200625
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## str(df)## 'data.frame': 200625 obs. of 22 variables:
## $ vcClaveTienda : chr "MX001" "MX001" "MX001" "MX001" ...
## $ DescGiro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Codigo.Barras : num 7.5e+12 7.5e+12 7.5e+12 7.5e+12 7.5e+12 ...
## $ PLU : int NA NA NA NA NA NA NA NA NA NA ...
## $ Fecha : chr "19/06/20" "19/06/20" "19/06/20" "19/06/20" ...
## $ Hora : chr "8:16:21" "8:23:33" "8:24:33" "8:24:33" ...
## $ Marca : chr "NUTRI LECHE" "DAN UP" "BIMBO" "PEPSI" ...
## $ Fabricante : chr "MEXILAC" "DANONE DE MEXICO" "GRUPO BIMBO" "PEPSI-COLA MEXICANA" ...
## $ Producto : chr "Nutri Leche 1 Litro" "DANUP STRAWBERRY P/BEBER 350GR NAL" "Rebanadas Bimbo 2Pz" "Pepsi N.R. 400Ml" ...
## $ Precio : num 16 14 5 8 19.5 16 14 5 8 19.5 ...
## $ Ult.Costo : num 12.3 14 5 8 15 ...
## $ Unidades : num 1 1 1 1 1 1 1 1 1 1 ...
## $ F.Ticket : int 1 2 3 3 4 1 2 3 3 4 ...
## $ NombreDepartamento: chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ NombreFamilia : chr "Lacteos y Refrigerados" "Lacteos y Refrigerados" "Pan y Tortilla" "Bebidas" ...
## $ NombreCategoria : chr "Leche" "Yogurt" "Pan Dulce Empaquetado" "Refrescos Plástico (N.R.)" ...
## $ Estado : chr "Nuevo León" "Nuevo León" "Nuevo León" "Nuevo León" ...
## $ Mts.2 : int 60 60 60 60 60 60 60 60 60 60 ...
## $ Tipo.ubicación : chr "Esquina" "Esquina" "Esquina" "Esquina" ...
## $ Giro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Hora.inicio : chr "8:00" "8:00" "8:00" "8:00" ...
## $ Hora.cierre : chr "22:00" "22:00" "22:00" "22:00" ...# count(df, vcClaveTienda, sort= TRUE)
# count(df, DescGiro, sort= TRUE)
# count(df, Fecha, sort= TRUE)
# count(df, Hora, sort= TRUE)
# count(df, Marca, sort= TRUE)
# count(df, Fabricante, sort= TRUE)
# count(df, Producto, sort= TRUE)
# count(df, NombreDepartamento, sort= TRUE)
# count(df, NombreFamilia, sort= TRUE)
# count(df, NombreCategoria, sort= TRUE)
# count(df, Mts.2, sort= TRUE)
# count(df, Tipo.ubicación, sort= TRUE)
# count(df, Giro, sort= TRUE)
# count(df, Hora.inicio, sort= TRUE)
# count(df, Hora.cierre, sort= TRUE)
head(df, n=10)## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 1 MX001 Abarrotes 7.50102e+12 NA 19/06/20 8:16:21
## 2 MX001 Abarrotes 7.50103e+12 NA 19/06/20 8:23:33
## 3 MX001 Abarrotes 7.50100e+12 NA 19/06/20 8:24:33
## 4 MX001 Abarrotes 7.50103e+12 NA 19/06/20 8:24:33
## 5 MX001 Abarrotes 7.50103e+12 NA 19/06/20 8:26:28
## 6 MX001 Abarrotes 7.50102e+12 NA 19/06/20 8:16:21
## 7 MX001 Abarrotes 7.50103e+12 NA 19/06/20 8:23:33
## 8 MX001 Abarrotes 7.50100e+12 NA 19/06/20 8:24:33
## 9 MX001 Abarrotes 7.50103e+12 NA 19/06/20 8:24:33
## 10 MX001 Abarrotes 7.50103e+12 NA 19/06/20 8:26:28
## Marca Fabricante
## 1 NUTRI LECHE MEXILAC
## 2 DAN UP DANONE DE MEXICO
## 3 BIMBO GRUPO BIMBO
## 4 PEPSI PEPSI-COLA MEXICANA
## 5 BLANCA NIEVES (DETERGENTE) FABRICA DE JABON LA CORONA
## 6 NUTRI LECHE MEXILAC
## 7 DAN UP DANONE DE MEXICO
## 8 BIMBO GRUPO BIMBO
## 9 PEPSI PEPSI-COLA MEXICANA
## 10 BLANCA NIEVES (DETERGENTE) FABRICA DE JABON LA CORONA
## Producto Precio Ult.Costo Unidades F.Ticket
## 1 Nutri Leche 1 Litro 16.0 12.31 1 1
## 2 DANUP STRAWBERRY P/BEBER 350GR NAL 14.0 14.00 1 2
## 3 Rebanadas Bimbo 2Pz 5.0 5.00 1 3
## 4 Pepsi N.R. 400Ml 8.0 8.00 1 3
## 5 Detergente Blanca Nieves 500G 19.5 15.00 1 4
## 6 Nutri Leche 1 Litro 16.0 12.31 1 1
## 7 DANUP STRAWBERRY P/BEBER 350GR NAL 14.0 14.00 1 2
## 8 Rebanadas Bimbo 2Pz 5.0 5.00 1 3
## 9 Pepsi N.R. 400Ml 8.0 8.00 1 3
## 10 Detergente Blanca Nieves 500G 19.5 15.00 1 4
## NombreDepartamento NombreFamilia NombreCategoria
## 1 Abarrotes Lacteos y Refrigerados Leche
## 2 Abarrotes Lacteos y Refrigerados Yogurt
## 3 Abarrotes Pan y Tortilla Pan Dulce Empaquetado
## 4 Abarrotes Bebidas Refrescos Plástico (N.R.)
## 5 Abarrotes Limpieza del Hogar Lavandería
## 6 Abarrotes Lacteos y Refrigerados Leche
## 7 Abarrotes Lacteos y Refrigerados Yogurt
## 8 Abarrotes Pan y Tortilla Pan Dulce Empaquetado
## 9 Abarrotes Bebidas Refrescos Plástico (N.R.)
## 10 Abarrotes Limpieza del Hogar Lavandería
## Estado Mts.2 Tipo.ubicación Giro Hora.inicio Hora.cierre
## 1 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 2 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 3 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 4 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 5 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 6 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 7 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 8 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 9 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 10 Nuevo León 60 Esquina Abarrotes 8:00 22:00tail(df, n=10)## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 200616 MX005 Depósito 7.62221e+12 NA 07/08/20 19:30:13
## 200617 MX005 Depósito 7.62221e+12 NA 25/07/20 18:42:24
## 200618 MX005 Depósito 7.62221e+12 NA 18/07/20 22:45:58
## 200619 MX005 Depósito 7.62221e+12 NA 12/07/20 0:36:34
## 200620 MX005 Depósito 7.62221e+12 NA 12/07/20 1:08:25
## 200621 MX005 Depósito 7.62221e+12 NA 23/10/20 22:17:37
## 200622 MX005 Depósito 7.62221e+12 NA 10/10/20 20:30:20
## 200623 MX005 Depósito 7.62221e+12 NA 10/10/20 22:40:43
## 200624 MX005 Depósito 7.62221e+12 NA 27/06/20 22:30:19
## 200625 MX005 Depósito 7.62221e+12 NA 26/06/20 23:43:34
## Marca Fabricante Producto Precio
## 200616 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200617 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200618 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200619 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200620 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200621 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200622 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200623 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200624 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200625 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## Ult.Costo Unidades F.Ticket NombreDepartamento NombreFamilia
## 200616 6.92 1 106411 Abarrotes Dulcería
## 200617 6.92 1 104693 Abarrotes Dulcería
## 200618 6.92 1 103856 Abarrotes Dulcería
## 200619 6.92 1 103087 Abarrotes Dulcería
## 200620 6.92 1 103100 Abarrotes Dulcería
## 200621 6.92 1 116598 Abarrotes Dulcería
## 200622 6.92 1 114886 Abarrotes Dulcería
## 200623 6.92 1 114955 Abarrotes Dulcería
## 200624 6.92 1 101121 Abarrotes Dulcería
## 200625 6.92 1 100879 Abarrotes Dulcería
## NombreCategoria Estado Mts.2 Tipo.ubicación Giro Hora.inicio
## 200616 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200617 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200618 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200619 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200620 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200621 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200622 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200623 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200624 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## 200625 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 8:00
## Hora.cierre
## 200616 21:00
## 200617 21:00
## 200618 21:00
## 200619 21:00
## 200620 21:00
## 200621 21:00
## 200622 21:00
## 200623 21:00
## 200624 21:00
## 200625 21:00##Tablas
#Tablas de Tienda y Departamento
tabyl(df, vcClaveTienda, NombreDepartamento)## vcClaveTienda Abarrotes Bebes e Infantiles Carnes Farmacia Ferretería Mercería
## MX001 95415 515 1 147 245 28
## MX002 6590 21 0 4 10 0
## MX003 4026 15 0 2 8 0
## MX004 82234 932 0 102 114 16
## MX005 10014 0 0 0 0 0
## Papelería Productos a Eliminar Vinos y Licores
## 35 3 80
## 0 0 4
## 0 0 0
## 32 5 20
## 7 0 0#Tablas de Estado y Hora de inicio
tabyl(df, Estado, Hora.inicio)## Estado 7:00 8:00 9:00
## Chiapas 4051 0 0
## Jalisco 0 0 6629
## Nuevo León 0 96469 0
## Quintana Roo 0 10021 0
## Sinaloa 83455 0 0#Limpieza de Datos
##Técnica 1. Eliminar valores irrelevantes
#Eliminar columnas
#df <- subset(df, select= -c(PLU))
#Eliminar renglones
#df <- df[df$Precio >0, ]##Técnica 2. Eliminar valores repetidos
df <- distinct(df)##Técnica 3. Corregir errores tipográficos y similares
df$Unidades <- ceiling(df$Unidades)
summary(df$Unidades)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 1.000 1.262 1.000 96.000##Técnica 4. Convertir los tipos de datos
#Convertir de caracter a fecha
df$Fecha <- as.Date(df$Fecha, format="%d/%m/%Y") #"Y" es para año con 4 digitos, "y" es para año con 2 digitos
str(df$Fecha)## Date[1:200620], format: "0020-06-19" "0020-06-19" "0020-06-19" "0020-06-19" "0020-06-19" ...summary(df$Fecha)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## "0020-05-01" "0020-06-06" "0020-07-11" "0020-07-18" "0020-08-29" "0020-11-11"## Técnica 5. Tratar valores faltantes
#Borrar todos los NAs
#df <- na.omit(df)
#Reemplazar los NAs con CEROS
#df[is.na(df)] <- 0
#Reemplazar los NAs con el PROMEDIO
#df$altura[is.na(df$altura)] <- mean(df$altura, na.rm=TRUE)## Técnica 6. Herramientas Estadísticas
boxplot(df$Precio, horizontal = TRUE)
boxplot(df$Unidades, horizontal = TRUE)
#Generar basket
#Ordenar de menor a mayor la columna Ticket
df <- df[order(df$F.Ticket), ]
head(df)## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 1 MX001 Abarrotes 7.50102e+12 NA 0020-06-19 8:16:21
## 2 MX001 Abarrotes 7.50103e+12 NA 0020-06-19 8:23:33
## 3 MX001 Abarrotes 7.50100e+12 NA 0020-06-19 8:24:33
## 4 MX001 Abarrotes 7.50103e+12 NA 0020-06-19 8:24:33
## 5 MX001 Abarrotes 7.50103e+12 NA 0020-06-19 8:26:28
## 6 MX001 Abarrotes 7.50103e+12 NA 0020-06-19 8:26:28
## Marca Fabricante
## 1 NUTRI LECHE MEXILAC
## 2 DAN UP DANONE DE MEXICO
## 3 BIMBO GRUPO BIMBO
## 4 PEPSI PEPSI-COLA MEXICANA
## 5 BLANCA NIEVES (DETERGENTE) FABRICA DE JABON LA CORONA
## 6 FLASH ALEN
## Producto Precio Ult.Costo Unidades F.Ticket
## 1 Nutri Leche 1 Litro 16.0 12.31 1 1
## 2 DANUP STRAWBERRY P/BEBER 350GR NAL 14.0 14.00 1 2
## 3 Rebanadas Bimbo 2Pz 5.0 5.00 1 3
## 4 Pepsi N.R. 400Ml 8.0 8.00 1 3
## 5 Detergente Blanca Nieves 500G 19.5 15.00 1 4
## 6 Flash Xtra Brisa Marina 500Ml 9.5 7.31 1 4
## NombreDepartamento NombreFamilia NombreCategoria
## 1 Abarrotes Lacteos y Refrigerados Leche
## 2 Abarrotes Lacteos y Refrigerados Yogurt
## 3 Abarrotes Pan y Tortilla Pan Dulce Empaquetado
## 4 Abarrotes Bebidas Refrescos Plástico (N.R.)
## 5 Abarrotes Limpieza del Hogar Lavandería
## 6 Abarrotes Limpieza del Hogar Limpiadores Líquidos
## Estado Mts.2 Tipo.ubicación Giro Hora.inicio Hora.cierre
## 1 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 2 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 3 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 4 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 5 Nuevo León 60 Esquina Abarrotes 8:00 22:00
## 6 Nuevo León 60 Esquina Abarrotes 8:00 22:00tail(df)## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 107394 MX004 Carnicería 1.024877e+10 NA 0020-10-15 11:51:40
## 167771 MX004 Carnicería 7.501080e+12 NA 0020-10-15 11:51:40
## 149429 MX004 Carnicería 7.501060e+12 NA 0020-10-15 11:54:37
## 168750 MX004 Carnicería 7.501210e+12 NA 0020-10-15 11:56:52
## 161193 MX004 Carnicería 7.501030e+12 NA 0020-10-15 12:01:54
## 112970 MX004 Carnicería 7.500470e+07 NA 0020-10-15 12:02:36
## Marca Fabricante Producto
## 107394 YEMINA HERDEZ PASTA SPAGHETTI YEMINA 200G
## 167771 DEL FUERTE ALIMENTOS DEL FUERTE PURE DE TOMATE DEL FUERTE 345G
## 149429 COCA COLA ZERO COCA COLA COCA COLA ZERO 600ML
## 168750 DIAMANTE EMPACADOS ARROZ DIAMANTE225G
## 161193 PEPSI PEPSI-COLA MEXICANA PEPSI N. R. 500ML
## 112970 COCA COLA COCA COLA COCA COLA RETORNABLE 500ML
## Precio Ult.Costo Unidades F.Ticket NombreDepartamento
## 107394 7 5.38 2 450032 Abarrotes
## 167771 12 9.23 1 450032 Abarrotes
## 149429 15 11.54 2 450034 Abarrotes
## 168750 11 8.46 1 450037 Abarrotes
## 161193 10 7.69 1 450039 Abarrotes
## 112970 10 7.69 8 450040 Abarrotes
## NombreFamilia NombreCategoria Estado Mts.2
## 107394 Sopas y Pastas Fideos, Spaguetti, Tallarines Sinaloa 53
## 167771 Salsas y Sazonadores Salsa para Spaguetti Sinaloa 53
## 149429 Bebidas Refrescos Retornables Sinaloa 53
## 168750 Granos y Semillas Arroz Sinaloa 53
## 161193 Bebidas Refrescos Plástico (N.R.) Sinaloa 53
## 112970 Bebidas Refrescos Retornables Sinaloa 53
## Tipo.ubicación Giro Hora.inicio Hora.cierre
## 107394 Esquina Abarrotes 7:00 23:00
## 167771 Esquina Abarrotes 7:00 23:00
## 149429 Esquina Abarrotes 7:00 23:00
## 168750 Esquina Abarrotes 7:00 23:00
## 161193 Esquina Abarrotes 7:00 23:00
## 112970 Esquina Abarrotes 7:00 23:00#Generar el basket
basket <- ddply(df,c("F.Ticket"), function(df)paste(df$Marca, collapse = "," ))
#Eliminar el número de Ticker
basket$F.Ticket <- NULL
#Cambiar el titulo de la columna "V1" a "Marca"
colnames(basket) <- c("Marca")
#Exportar basket
write.csv(basket, "basket.csv", quote = FALSE, row.names = FALSE)#Market Basket Analysis
#file.choose()
tr <- read.transactions("/Users/danielaibarra/Desktop/Bootcamp Programación/basket.csv", format = "basket", sep=","
)
reglas.asociacion <- apriori(tr, parameter = list(supp=0.001, conf=0.2, maxlen=10))## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport maxtime support minlen
## 0.2 0.1 1 none FALSE TRUE 5 0.001 1
## maxlen target ext
## 10 rules TRUE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 115
##
## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[604 item(s), 115031 transaction(s)] done [0.04s].
## sorting and recoding items ... [207 item(s)] done [0.00s].
## creating transaction tree ... done [0.04s].
## checking subsets of size 1 2 3 done [0.00s].
## writing ... [11 rule(s)] done [0.00s].
## creating S4 object ... done [0.02s].summary(reglas.asociacion)## set of 11 rules
##
## rule length distribution (lhs + rhs):sizes
## 2
## 11
##
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2 2 2 2 2 2
##
## summary of quality measures:
## support confidence coverage lift
## Min. :0.001017 Min. :0.2069 Min. :0.003564 Min. : 1.326
## 1st Qu.:0.001104 1st Qu.:0.2358 1st Qu.:0.004507 1st Qu.: 1.789
## Median :0.001417 Median :0.2442 Median :0.005807 Median : 3.972
## Mean :0.001521 Mean :0.2537 Mean :0.006056 Mean :17.558
## 3rd Qu.:0.001652 3rd Qu.:0.2685 3rd Qu.:0.006894 3rd Qu.:21.808
## Max. :0.002747 Max. :0.3098 Max. :0.010502 Max. :65.862
## count
## Min. :117.0
## 1st Qu.:127.0
## Median :163.0
## Mean :174.9
## 3rd Qu.:190.0
## Max. :316.0
##
## mining info:
## data ntransactions support confidence
## tr 115031 0.001 0.2
## call
## apriori(data = tr, parameter = list(supp = 0.001, conf = 0.2, maxlen = 10))inspect(reglas.asociacion)## lhs rhs support confidence coverage
## [1] {FANTA} => {COCA COLA} 0.001051890 0.2439516 0.004311881
## [2] {SALVO} => {FABULOSO} 0.001104050 0.3097561 0.003564257
## [3] {FABULOSO} => {SALVO} 0.001104050 0.2347505 0.004703080
## [4] {COCA COLA ZERO} => {COCA COLA} 0.001417009 0.2969035 0.004772627
## [5] {SPRITE} => {COCA COLA} 0.001347463 0.2069426 0.006511288
## [6] {PINOL} => {CLORALEX} 0.001017117 0.2368421 0.004294495
## [7] {BLUE HOUSE} => {BIMBO} 0.001712582 0.2720994 0.006293956
## [8] {HELLMANN´S} => {BIMBO} 0.001538716 0.2649701 0.005807130
## [9] {REYMA} => {CONVERMEX} 0.002095087 0.2441743 0.008580296
## [10] {FUD} => {BIMBO} 0.001590876 0.2186380 0.007276299
## [11] {COCA COLA LIGHT} => {COCA COLA} 0.002747086 0.2615894 0.010501517
## lift count
## [1] 1.562646 121
## [2] 65.862391 127
## [3] 65.862391 127
## [4] 1.901832 163
## [5] 1.325583 155
## [6] 25.063647 117
## [7] 4.078691 197
## [8] 3.971823 177
## [9] 18.551922 241
## [10] 3.277319 183
## [11] 1.675626 316reglas.asociacion <- sort(reglas.asociacion, by ="confidence", decreasing = TRUE)
summary(reglas.asociacion)## set of 11 rules
##
## rule length distribution (lhs + rhs):sizes
## 2
## 11
##
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2 2 2 2 2 2
##
## summary of quality measures:
## support confidence coverage lift
## Min. :0.001017 Min. :0.2069 Min. :0.003564 Min. : 1.326
## 1st Qu.:0.001104 1st Qu.:0.2358 1st Qu.:0.004507 1st Qu.: 1.789
## Median :0.001417 Median :0.2442 Median :0.005807 Median : 3.972
## Mean :0.001521 Mean :0.2537 Mean :0.006056 Mean :17.558
## 3rd Qu.:0.001652 3rd Qu.:0.2685 3rd Qu.:0.006894 3rd Qu.:21.808
## Max. :0.002747 Max. :0.3098 Max. :0.010502 Max. :65.862
## count
## Min. :117.0
## 1st Qu.:127.0
## Median :163.0
## Mean :174.9
## 3rd Qu.:190.0
## Max. :316.0
##
## mining info:
## data ntransactions support confidence
## tr 115031 0.001 0.2
## call
## apriori(data = tr, parameter = list(supp = 0.001, conf = 0.2, maxlen = 10))inspect(reglas.asociacion)## lhs rhs support confidence coverage
## [1] {SALVO} => {FABULOSO} 0.001104050 0.3097561 0.003564257
## [2] {COCA COLA ZERO} => {COCA COLA} 0.001417009 0.2969035 0.004772627
## [3] {BLUE HOUSE} => {BIMBO} 0.001712582 0.2720994 0.006293956
## [4] {HELLMANN´S} => {BIMBO} 0.001538716 0.2649701 0.005807130
## [5] {COCA COLA LIGHT} => {COCA COLA} 0.002747086 0.2615894 0.010501517
## [6] {REYMA} => {CONVERMEX} 0.002095087 0.2441743 0.008580296
## [7] {FANTA} => {COCA COLA} 0.001051890 0.2439516 0.004311881
## [8] {PINOL} => {CLORALEX} 0.001017117 0.2368421 0.004294495
## [9] {FABULOSO} => {SALVO} 0.001104050 0.2347505 0.004703080
## [10] {FUD} => {BIMBO} 0.001590876 0.2186380 0.007276299
## [11] {SPRITE} => {COCA COLA} 0.001347463 0.2069426 0.006511288
## lift count
## [1] 65.862391 127
## [2] 1.901832 163
## [3] 4.078691 197
## [4] 3.971823 177
## [5] 1.675626 316
## [6] 18.551922 241
## [7] 1.562646 121
## [8] 25.063647 117
## [9] 65.862391 127
## [10] 3.277319 183
## [11] 1.325583 155top10reglas <- head(reglas.asociacion, n=10, by= "confidence")
plot(top10reglas, method= "graph", engine= "htmlwidget")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