Як зробити аналіз кореляції "пива та пелюшок"

У мене є дані, еквівалентні:

shopper_1 = ['beer', 'eggs', 'water',...]
shopper_2 = ['diapers', 'beer',...]
...

Я хотів би зробити якийсь аналіз цього набору даних, щоб отримати кореляційну матрицю, яка матиме подібні наслідки: якщо ви купили x, ви, ймовірно, купите y.

Використовуючи python (або, можливо, що-небудь, крім MATLAB), як я можу зробити це? Деякі основні вказівки чи вказівки на те, куди я повинен шукати, допоможуть.

Дякую,

Редагувати - Що я дізнався:

1. Такі проблеми відомі як відкриття правил асоціації. У Вікіпедії є хороша стаття, яка висвітлює деякі поширені алгоритми для цього. Класичним алгоритмом для цього, здається, є Апріорі, завдяки Agrawal et. ін.

2. Це привело мене до помаранчевого , пітонового пакету для інтеграції даних. Для Linux найкращим способом її встановлення є джерело за допомогою наданого setup.py

3. Помаранчевий за замовчуванням зчитує введення з файлів, відформатованих одним із декількох підтримуваних способів.

4. Нарешті, просте навчання правил асоціації Apriori є простим помаранчевим кольором.

Окрім посилань, які були наведені в коментарях, ось ще кілька вказівок:

• Правила асоціації та часті набори предметів
• Опитування щодо частого видобутку шаблонів - огляньте таблицю 1, стор. 4

Щодо Python, я думаю, зараз у вас є уявлення про те, що вам слід шукати, але пакет Orange Data mining містить пакет щодо правил асоціації та наборів елементів (хоча для останнього я не можу знайти жодної посилання на веб-сайті).

Редагувати:

Нещодавно я натрапив на pysuggest, який є

механізм рекомендацій Top-N, який реалізує різноманітні алгоритми рекомендацій. Системи рекомендацій Top-N, персоналізована технологія фільтрації інформації, використовуються для ідентифікації набору N елементів, які будуть цікаві певному користувачеві. Останніми роками системи рекомендацій Top-N використовувались у ряді різних застосувань, наприклад, щоб рекомендувати товари, які клієнт, швидше за все, придбає; рекомендувати фільми, телевізійні програми чи музику користувачеві буде приємним; визначити веб-сторінки, які будуть цікаві; або навіть пропонувати альтернативні способи пошуку інформації.