关联规则apriori算法 会用Excel，真的需要再学Python吗？

会用Excel，真的需要再学Python吗？

虽然这种方法可以快速高效地产生结果，但您基本上可以遵循规则，因为您使用设计良好的组件。遇到问题时，不能向下推组件并重建它们。您只能替换其他组件或更改组合方法；

而且，您不能使用大量数据，因为Excel的逻辑关系太弱，就像构建块一样。如果你建的很高，它会倒塌。处理万级数据有点困难，所以Excel不能用来建高层建筑。毕竟，世界上没有用积木建造的高楼。

从数据分析的角度看，Excel的可视化效果较差，数据采集无法与Python相比。这不是Excel的特长，但是Excel在数理统计方面的表现还是很好的

所以当数据量比较小的时候，你想快速得到结果，而且逻辑关系简单，Excel很香

！缺点是您需要能够做任何事情。你需要能够建造墙壁，建造和绘制图纸。自然比excel难学

从效率上讲，处理简单的问题肯定比excel差，但面对复杂的问题，Python的优势可以凸显

有了这堆原材料，你不仅可以建造高楼，还可以建造飞机，船和火箭头，所以人们说，Python是一种通用语言，它可以做任何事情，除了生孩子

另一点是，Python是开源的，至少比matlab（深执迷）好得多

从数据分析的角度来看，Python绝对比excel、数据采集，数据处理和数据分析、可视化都比excel好，当然这只是为了数据分析

当数据量大、逻辑关系复杂时，Python是最佳解决方案

]PS:

当然VBA是另一点。其实，我觉得VBA的学习难度和python没有太大区别，但是使用起来太难了。让我们看看个人的具体需求。这里我不详细说明具体的区别

所谓的关联规则是指数据对象之间的相互依赖关系，规则发现的任务是从数据库中找到信任度和支持度大于给定值的强规则。从数据库中发现关联规则是近年来研究的热点。目前，关联规则的发现已经从单一概念层次发展到多概念层次。随着概念层次的深入，关联规则提供的信息越来越具体。事实上，这是一个逐渐深化所发现的知识的过程。在许多实际应用中，可以获得的相关规则的数量可能相当大，用户对所有规则并不感兴趣。一些规则可能会误导人们的决策，因此在规则发现中经常引入“兴趣度”的概念。基于更高概念层次的规则发现（如广义抽象层次的规则发现和多层次的规则发现）是当前研究的热点之一。

关联规则apriori算法 python关联规则apriori算法 apriori算法python包

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。