电商 AI 分析提出“买A的人也买B”时，可以先用购物篮数据核对三个数：支持度、置信度和提升度。下面用六个虚构订单手算并编程核对 A→B 的规则，避免把常见商品的高共现误解为额外关联。
环境与运行方法
本文代码在 Windows、Python 3.11 的本地独立环境执行通过。以下数据全部为人为构造的教学样本，不是客户数据，也不是业务效果测试。
新建一个空目录，在终端执行安装命令，把后面的完整代码保存为 demo.py，再执行 python demo.py。文件输出均保存在运行目录，请先在空目录练习。
python --version # 本例只使用 Python 标准库一个订单只算一个购物篮
每个订单用商品集合表示，同一商品买三件仍只记一次出现。这是是否共购的口径，不是销量件数；订单撤销、拆单、组合套装和统计时间窗都应先定义。本文只用商品A、B、C的教学篮子。
A→B 的支持度为同时含A和B的订单数除以总订单数；置信度为同时含A和B的订单数除以含A的订单数；提升度为置信度除以B的整体出现比例。B很常见时，即使置信度高，提升度也可能不高。
先核对计数，再作业务解释
本例A出现4次，B出现4次，共同出现3次，总计6个篮子。因此支持度为0.5、置信度为0.75、提升度为1.125。规则方向不同，置信度分母就不同，不能把A→B与B→A默认当作同一数。
提升度高于1在这个样本里表示共现比按边际比例的独立基线高，但不代表推荐会提高销量，也不证明A导致购买B。形成候选搭配后，还要核对样本量、促销和套装因素，并在新的时间窗口验证。
可复制的完整代码
baskets = [set("AB"), set("AB"), set("AC"), set("BC"), set("ABC"), set("C")]
n = len(baskets)
count_a = sum("A" in b for b in baskets)
count_b = sum("B" in b for b in baskets)
count_ab = sum({"A", "B"}.issubset(b) for b in baskets)
if not n or not count_a or not count_b:
raise ValueError("cannot_compute_rule_with_zero_denominator")
support = count_ab / n
confidence = count_ab / count_a
lift = confidence / (count_b / n)
print("orders", n, "A", count_a, "B", count_b, "AB", count_ab)
print("support", support, "confidence", confidence, "lift", lift)
assert (n, count_a, count_b, count_ab) == (6, 4, 4, 3)
assert support == 0.5 and confidence == 0.75 and lift == 1.125
运行结果与核对方法
下面是本文教学代码在上述本地环境中的实际输出。浮点数末位可能随依赖版本变化。
orders 6 A 4 B 4 AB 3
support 0.5 confidence 0.75 lift 1.125把六个购物篮逐行核对，确认 A=4、B=4、AB=3，再核对0.5、0.75和1.125三个输出。正式分析时先按订单生成同一口径的集合，在 AI 报告中同时保留原始计数与时间范围，不只展示一个提升度。
使用边界与常见问题
购物篮全部为虚构教学数据，六个订单不足以支持真实商品搭配决策。脚本只计算一条规则，没有执行大规模规则挖掘或验证营销增益；多个候选规则还涉及筛选偏差和重复检验。
提升度特别高就一定优先推荐吗？
不一定。少量罕见商品可以得到很高的提升度却几乎没有样本；还应检查共现计数、支持度、时间稳定性和商品可用性，再设计实际验证。
官方资料
接口与参数依据以下官方资料核对（2026年10月1日）。示例验证只覆盖本文输入和步骤。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/30776.html
