Market Basket Analysis
Angela Mejía
2024-09-10
Instalar paquetes y llamar librerias
# install.packages("tidyverse") # paquete global para manipulación y análisis de datos
library(tidyverse)
# install.packages("dplyr") # paquete para filtrar bases de datos
library(dplyr)
# install.packages("janitor") # paquete para examinar y limpiar bases de datos socias
library(janitor)
# install.packages("Matrix") #Para trabajar con matrices
library(Matrix)
# install.packages("arules") #Genera reglas de asociación
library(arules)
#install.packages("arulesViz") #Visualizar las reglas de asociación
library(arulesViz)
#install.packages("datasets")
library(datasets)
#install.packages("plyr")
library(plyr)span style=“color: red;”>Importar la base de datos
# file.choose()
df <- read.csv("C:\\Users\\Angela\\Downloads\\abarrotes.csv")span style=“color: red;”>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 "19/06/2020" "19/06/2020" "19/06/2020" "19/06/2020" ...
## $ Hora : chr "08:16:21" "08:23:33" "08:24:33" "08:24:33" ...
## $ 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 "08:00" "08:00" "08:00" "08:00" ...
## $ 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, Estado, 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) # mostrar los primeros 10 renglones## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 1 MX001 Abarrotes 7.501021e+12 NA 19/06/2020 08:16:21
## 2 MX001 Abarrotes 7.501032e+12 NA 19/06/2020 08:23:33
## 3 MX001 Abarrotes 7.501000e+12 NA 19/06/2020 08:24:33
## 4 MX001 Abarrotes 7.501031e+12 NA 19/06/2020 08:24:33
## 5 MX001 Abarrotes 7.501026e+12 NA 19/06/2020 08:26:28
## 6 MX001 Abarrotes 7.501021e+12 NA 19/06/2020 08:16:21
## 7 MX001 Abarrotes 7.501032e+12 NA 19/06/2020 08:23:33
## 8 MX001 Abarrotes 7.501000e+12 NA 19/06/2020 08:24:33
## 9 MX001 Abarrotes 7.501031e+12 NA 19/06/2020 08:24:33
## 10 MX001 Abarrotes 7.501026e+12 NA 19/06/2020 08:26:28
## 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 08:00 22:00
## 2 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 3 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 4 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 5 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 6 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 7 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 8 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 9 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 10 Nuevo León 60 Esquina Abarrotes 08:00 22:00tail(df, n=10) # mostrar los ultimos 10 renglones## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 200616 MX005 Depósito 7.62221e+12 NA 07/08/2020 19:30:13
## 200617 MX005 Depósito 7.62221e+12 NA 25/07/2020 18:42:24
## 200618 MX005 Depósito 7.62221e+12 NA 18/07/2020 22:45:58
## 200619 MX005 Depósito 7.62221e+12 NA 12/07/2020 00:36:34
## 200620 MX005 Depósito 7.62221e+12 NA 12/07/2020 01:08:25
## 200621 MX005 Depósito 7.62221e+12 NA 23/10/2020 22:17:37
## 200622 MX005 Depósito 7.62221e+12 NA 10/10/2020 20:30:20
## 200623 MX005 Depósito 7.62221e+12 NA 10/10/2020 22:40:43
## 200624 MX005 Depósito 7.62221e+12 NA 27/06/2020 22:30:19
## 200625 MX005 Depósito 7.62221e+12 NA 26/06/2020 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 08:00
## 200617 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200618 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200619 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200620 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200621 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200622 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200623 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200624 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200625 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 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 21:00span style=“color: red;”>Tablas
#Tabla 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#Tabla de Estado y Hora de Inicio
tabyl(df, Estado, Hora.inicio)## Estado 07:00 08:00 09:00
## Chiapas 4051 0 0
## Jalisco 0 0 6629
## Nuevo León 0 96469 0
## Quintana Roo 0 10021 0
## Sinaloa 83455 0 0span style=“color: red;”>Limpieza de datos
span style=“color: red;”>Técnica 1. Eliminar valores irrelevantes
#Cómo eliminar columnas
# df <- subset(df,select = -c(PLU))
#Cómo eliminar renglones
df <- df[df$Precio >0, ]span style=“color: red;”>Técnica 2. Eliminar valores repetidos
df <- distinct(df) span style=“color: red;”>Técnica 3. Corregir errores tipográficos y similares
df$Unidades <- ceiling(df$Unidades)
summary(df$Unidades)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 1.000 1.261 1.000 96.000span style=“color: red;”>Técnica 4.Convertir tipos de datos
#Convertir de caracter a fecha
df$Fecha <- as.Date(df$Fecha, format="%d/%m/%Y")
str(df$Fecha)## Date[1:200473], format: "2020-06-19" "2020-06-19" "2020-06-19" "2020-06-19" "2020-06-19" ...summary(df$Fecha)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## "2020-05-01" "2020-06-06" "2020-07-11" "2020-07-18" "2020-08-29" "2020-11-11"span style=“color: red;”>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(altura, na.rm=TRUE)span style=“color: red;”>Técnica 6. Herramientas estadísticas
boxplot(df$Precio, horizontal = TRUE)
boxplot(df$Unidades, horizontal = TRUE)
# span style=“color: red;”>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 7.501021e+12 NA 2020-06-19 08:16:21
## 2 MX001 Abarrotes 7.501032e+12 NA 2020-06-19 08:23:33
## 3 MX001 Abarrotes 7.501000e+12 NA 2020-06-19 08:24:33
## 4 MX001 Abarrotes 7.501031e+12 NA 2020-06-19 08:24:33
## 5 MX001 Abarrotes 7.501026e+12 NA 2020-06-19 08:26:28
## 6 MX001 Abarrotes 7.501025e+12 NA 2020-06-19 08:26:28
## 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 08:00 22:00
## 2 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 3 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 4 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 5 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 6 Nuevo León 60 Esquina Abarrotes 08:00 22:00tail(df)## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 107247 MX004 Carnicería 1.024877e+10 NA 2020-10-15 11:51:40
## 167624 MX004 Carnicería 7.501080e+12 NA 2020-10-15 11:51:40
## 149282 MX004 Carnicería 7.501055e+12 NA 2020-10-15 11:54:37
## 168603 MX004 Carnicería 7.501214e+12 NA 2020-10-15 11:56:52
## 161046 MX004 Carnicería 7.501031e+12 NA 2020-10-15 12:01:54
## 112823 MX004 Carnicería 7.500470e+07 NA 2020-10-15 12:02:36
## Marca Fabricante Producto
## 107247 YEMINA HERDEZ PASTA SPAGHETTI YEMINA 200G
## 167624 DEL FUERTE ALIMENTOS DEL FUERTE PURE DE TOMATE DEL FUERTE 345G
## 149282 COCA COLA ZERO COCA COLA COCA COLA ZERO 600ML
## 168603 DIAMANTE EMPACADOS ARROZ DIAMANTE225G
## 161046 PEPSI PEPSI-COLA MEXICANA PEPSI N. R. 500ML
## 112823 COCA COLA COCA COLA COCA COLA RETORNABLE 500ML
## Precio Ult.Costo Unidades F.Ticket NombreDepartamento
## 107247 7 5.38 2 450032 Abarrotes
## 167624 12 9.23 1 450032 Abarrotes
## 149282 15 11.54 2 450034 Abarrotes
## 168603 11 8.46 1 450037 Abarrotes
## 161046 10 7.69 1 450039 Abarrotes
## 112823 10 7.69 8 450040 Abarrotes
## NombreFamilia NombreCategoria Estado Mts.2
## 107247 Sopas y Pastas Fideos, Spaguetti, Tallarines Sinaloa 53
## 167624 Salsas y Sazonadores Salsa para Spaguetti Sinaloa 53
## 149282 Bebidas Refrescos Retornables Sinaloa 53
## 168603 Granos y Semillas Arroz Sinaloa 53
## 161046 Bebidas Refrescos Plástico (N.R.) Sinaloa 53
## 112823 Bebidas Refrescos Retornables Sinaloa 53
## Tipo.ubicación Giro Hora.inicio Hora.cierre
## 107247 Esquina Abarrotes 07:00 23:00
## 167624 Esquina Abarrotes 07:00 23:00
## 149282 Esquina Abarrotes 07:00 23:00
## 168603 Esquina Abarrotes 07:00 23:00
## 161046 Esquina Abarrotes 07:00 23:00
## 112823 Esquina Abarrotes 07:00 23:00#Generar el basket
basket <- ddply(df,c("F.Ticket"), function(df)paste(df$Marca, collapse = ","))
# Eliminar el numero de ticket
basket$F.Ticket <- NULL
# Cambiar el título de la columna V1 por Marca
colnames(basket) <- c("Marca")
# Exportar basket
write.csv(basket, "basket.csv", quote = FALSE, row.names = FALSE)span style=“color: red;”>Market Bastek Analysis
#file.choose()
tr <- read.transactions("C:\\Users\\Angela\\Downloads\\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 [0.05s].
## checking subsets of size 1 2 3 done [0.00s].
## writing ... [11 rule(s)] done [0.00s].
## creating S4 object ... done [0.01s].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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