1. 用R語言進行關聯分析
用R語言進行關聯分析
關聯是兩個或多個變數取值之間存在的一類重要的可被發現的某種規律性。關聯分析目的是尋找給定數據記錄集中數據項之間隱藏的關聯關系，描述數據之間的密切度。
幾個基本概念
1. 項集
這是一個集合的概念，在一籃子商品中的一件消費品即為一項（Item），則若干項的集合為項集，如{啤酒，尿布}構成一個二元項集。
2. 關聯規則
一般記為的形式，X為先決條件，Y為相應的關聯結果，用於表示數據內隱含的關聯性。如：，表示購買了尿布的消費者往往也會購買啤酒。
關聯性強度如何，由三個概念——支持度、置信度、提升度來控制和評價。
例：有10000個消費者購買了商品，其中購買尿布1000個，購買啤酒2000個，購買麵包500個，同時購買尿布和麵包800個，同時購買尿布和麵包100個。
3. 支持度（Support）
支持度是指在所有項集中{X, Y}出現的可能性，即項集中同時含有X和Y的概率：
該指標作為建立強關聯規則的第一個門檻，衡量了所考察關聯規則在「量」上的多少。通過設定最小閾值（minsup），剔除「出鏡率」較低的無意義規則，保留出現較為頻繁的項集所隱含的規則。
設定最小閾值為5%，由於{尿布，啤酒}的支持度為800/10000=8%，滿足基本輸了要求，成為頻繁項集，保留規則；而{尿布，麵包}的支持度為100/10000=1%，被剔除。
4. 置信度（Confidence）
置信度表示在先決條件X發生的條件下，關聯結果Y發生的概率：
這是生成強關聯規則的第二個門檻，衡量了所考察的關聯規則在「質」上的可靠性。相似的，我們需要對置信度設定最小閾值（mincon）來實現進一步篩選。
具體的，當設定置信度的最小閾值為70%時，置信度為800/1000=80%，而的置信度為800/2000=40%，被剔除。
5. 提升度（lift）
提升度表示在含有X的條件下同時含有Y的可能性與沒有X這個條件下項集中含有Y的可能性之比：
該指標與置信度同樣衡量規則的可靠性，可以看作是置信度的一種互補指標。
R中Apriori演算法
演算法步驟：
1. 選出滿足支持度最小閾值的所有項集，即頻繁項集；
2. 從頻繁項集中找出滿足最小置信度的所有規則。
> library(arules) #載入arules包
> click_detail =read.transactions("click_detail.txt",format="basket",sep=",",cols=c(1)) #讀取txt文檔（文檔編碼為ANSI）
> rules <- apriori(click_detail, parameter =list(supp=0.01,conf=0.5,target="rules")) #調用apriori演算法
> rules
set of419 rules
> inspect(rules[1:10]) #查看前十條規則
解釋
1) library(arules)：載入程序包arules，當然如果你前面沒有下載過這個包，就要先install.packages(arules)
2) click_detail =read.transactions("click_detail.txt",format="basket",sep=",",cols=c(1))：讀入數據
read.transactions(file, format =c("basket", "single"), sep = NULL,
cols = NULL, rm.plicates =FALSE, encoding = "unknown")
file:文件名，對應click_detail中的「click_detail.txt」
format:文件格式，可以有兩種，分別為「basket」,「single」，click_detail.txt中用的是basket。
basket: basket就是籃子，一個顧客買的東西都放到同一個籃子，所有顧客的transactions就是一個個籃子的組合結果。如下形式，每條交易都是獨立的。
文件形式：
item1,item2
item1
item2,item3
讀入後：
items
1 {item1,
item2}
2 {item1}
3 {item2,
item3}
single: single的意思，顧名思義，就是單獨的交易，簡單說，交易記錄為：顧客1買了產品1， 顧客1買了產品2，顧客2買了產品3……(產品1，產品2，產品3中可以是單個產品，也可以是多個產品)，如下形式：
trans1 item1
trans2 item1
trans2 item2
讀入後：
items transactionID
1 {item1} trans1
2 {item1,
item2} trans2
sep:文件中數據是怎麼被分隔的，默認為空格，click_detail裡面用逗號分隔
cols:對basket, col=1,表示第一列是數據的transaction ids(交易號)，如果col=NULL，則表示數據裡面沒有交易號這一列；對single，col=c(1,2)表示第一列是transaction ids，第二列是item ids
rm.plicates:是否移除重復項，默認為FALSE
encoding:寫到這里研究了encoding是什麼意思，發現前面txt可以不是」ANSI」類型，如果TXT是「UTF-8」，寫encoding=」UTF-8」，就OK了.
3) rules <- apriori(click_detail,parameter = list(supp=0.01,conf=0.5,target="rules"))：apriori函數
apriori(data, parameter = NULL, appearance = NULL, control = NULL)
data:數據
parameter：設置參數，默認情況下parameter=list(supp=0.1,conf=0.8,maxlen=10,minlen=1,target=」rules」)
supp:支持度（support）
conf:置信度（confidence）
maxlen,minlen:每個項集所含項數的最大最小值
target:「rules」或「frequent itemsets」（輸出關聯規則/頻繁項集）
apperence:對先決條件X（lhs），關聯結果Y（rhs）中具體包含哪些項進行限制，如：設置lhs=beer，將僅輸出lhs含有beer這一項的關聯規則。默認情況下，所有項都將無限制出現。
control：控制函數性能，如可以設定對項集進行升序sort=1或降序sort=-1排序，是否向使用者報告進程（verbose=F/T）
補充
通過支持度控制：rules.sorted_sup = sort(rules, by=」support」)
通過置信度控制：rules.sorted_con = sort(rules, by=」confidence」)
通過提升度控制：rules.sorted_lift = sort(rules, by=」lift」)
Apriori演算法
兩步法：
1. 頻繁項集的產生：找出所有滿足最小支持度閾值的項集，稱為頻繁項集；
2. 規則的產生：對於每一個頻繁項集l，找出其中所有的非空子集；然後，對於每一個這樣的子集a，如果support(l)與support(a)的比值大於最小可信度，則存在規則a==>(l-a)。
頻繁項集產生所需要的計算開銷遠大於規則產生所需的計算開銷
頻繁項集的產生
幾個概念：
1， 一個包含K個項的數據集，可能產生2^k個候選集
2，先驗原理：如果一個項集是頻繁的，則它的所有子集也是頻繁的（理解了頻繁項集的意義，這句話很容易理解的）；相反，如果一個項集是非頻繁的，則它所有子集也一定是非頻繁的。
3基於支持度（SUPPORT）度量的一個關鍵性質：一個項集的支持度不會超過它的子集的支持度（很好理解，支持度是共同發生的概率，假設項集{A,B,C}，{A,B}是它的一個自己，A,B,C同時發生的概率肯定不會超過A,B同時發生的概率）。
上面這條規則就是Apriori中使用到的，如下圖，當尋找頻繁項集時，從上往下掃描，當遇到一個項集是非頻繁項集（該項集支持度小於Minsup），那麼它下面的項集肯定就是非頻繁項集，這一部分就剪枝掉了。
一個例子（網路到的一個PPT上的）：
當我在理解頻繁項集的意義時，在R上簡單的復現了這個例子，這里採用了eclat演算法，跟apriori應該差不多：
代碼：
item <- list(
c("bread","milk"),
c("bread","diaper","beer","eggs"),
c("milk","diaper","beer","coke"),
c("bread","milk","diaper","beer"),
c("bread","milk","diaper","coke")
)
names(item) <- paste("tr",c(1:5),sep = "")
item
trans <- as(item,"transactions") #將List轉為transactions型
rules = eclat(trans,parameter = list(supp = 0.6,
target ="frequent itemsets"),control = list(sort=1))
inspect(rules) #查看頻繁項集
運行後結果：
>inspect(rules)
items support
1{beer,
diaper} 0.6
2{diaper,
milk} 0.6
3{bread,
diaper} 0.6
4{bread,
milk} 0.6
5{beer} 0.6
6{milk} 0.8
7{bread} 0.8
8{diaper} 0.8
以上就是該例子的所有頻繁項集，然後我發現少了{bread,milk,diaper}這個項集，回到例子一看，這個項集實際上只出現了兩次，所以是沒有這個項集的。
規則的產生
每個頻繁k項集能產生最多2k-2個關聯規則
將項集Y劃分成兩個非空的子集X和Y-X，使得X ->Y-X滿足置信度閾值
定理：如果規則X->Y-X不滿足置信度閾值，則X』->Y-X』的規則一定也不滿足置信度閾值，其中X』是X的子集
Apriori按下圖進行逐層計算，當發現一個不滿足置信度的項集後，該項集所有子集的規則都可以剪枝掉了。
2. 數據挖掘方法入門——關聯分析
自然界中，某件事情發生時，其他事件也會發生，這種聯系稱為關聯。關聯分析就是為了尋找事物之間的一些有趣的關聯關系。
最讓人熟知的就是購物籃分析，商場在分析用戶經常同時購買「啤酒、尿布「、「籃球」、「籃球服」等商品組合，於是將其放在一起以促進銷售。這種關聯關系的分析，不僅應用與網站設計者可以根據訪客日誌數據，發現訪客瀏覽習慣和網站頁面間的關系。
拿某個商場的交易數據中進行分析，數據集中有限的項目經過排列組合以後可以產生大量的關聯規則，但是，只有一小部分的規則會是用戶感興趣的，因此需要引入一個「興趣度」的概念幫助用戶評估得到的關聯規則。
而與興趣度評估相關的度量包括：簡潔性、正確性、實用性、新穎性
1）簡潔性：太復雜的規則會讓用戶的興趣度降低，也難以解釋和理解
2）正確性：令人信服的程度有多高。
正確性的判斷指標是置信度，表示這個規則正確的概率有多大。即在某一項x出現的前提下，另外一項y出現的頻率是多少。
置信度confident（x=>y）=p(y|x)
3）實用性：判斷該規則再次出現的可能性有多大，即這個指標的覆蓋率。
實用性的判斷指標是支持度，支持度越大說明規則應用越廣泛，即xy同時出現的頻率.
支持度support（x=>y）= p(x U y)
4）新穎性：判斷規則是否已經被導出的另外一個規則作蘊含。
在這4個指標中，置信度和實用性是用來評判一條規則是強關聯規則的依據。
強關聯規則：同時滿足用戶定義的最小支持度閾值和最小置信度閾值的關聯規則
弱關聯規則：不滿足最小支持度閾值和最小置信度閾值的關聯規則
5）改善度：
期望可信度是在x沒有影響的作用下y出現的頻率，p(i)
改善度則是評估x的出現對y的出現的影響性。p(y|x)／p(x)越大,則改善度越高，說明x的出現對y的可能影響就越大。
1）布爾規則和量化規則
（1）布爾規則：性別=女=》職業=老師
（2）量化規則：性別=女=》平均收入=2300
量化關聯規則可以直接對原始數據進行處理，或先對數值型屬性進行分區間進行動態分割
2）單層規則和多層關聯規則
在單層規則中，所有的項不考慮現實數據的多層性，而在實際應用中，涉及不同的抽象層發現的多層關聯規則則是一種更有用的關聯規則，因為屬性之間存在一種層次關系。
（1）不涉及不同抽象層的項的規則稱為單層關聯規則
adidas籃球=》nike籃球服
（2）較高層次和較低層次之間規則稱為多層關聯規則
adidas籃球=》籃球服
3）單維規則和多維規則
（1）單維關聯規則：處理同一個屬性或維度內的聯系。
adidas籃球=》nike籃球服
（2）多維關聯規則：多個屬性或維度之間的聯系。
用戶的年齡和購買物品
3. spss分析方法-對應分析（轉載）
對應分析也稱關聯分析、R-Q型因子分析，通過分析由定性變數構成的交互匯總表來揭示變數間的聯系。對應分析法是在R型和Q型因子分析的基礎上發展起來的一種多元統計分析方法。 下面我們主要從下面四個方面來解說：
[if !supportLineBreakNewLine]
[endif]
實際應用
理論思想
建立模型
[if !supportLineBreakNewLine]
[endif]
分析結果
[if !supportLineBreakNewLine]
[endif]
一、實際應用
對應分析法 可以揭示同一變數的各個類別之間的差異，以及不同變數各個類別之間的對應關系 。當所涉及的 分類變數類別較多或者分類變數的個數較多 的時候，我們就需要用到對應分析。主要應用在市場細分、產品定位、地質研究以及計算機工程等領域中。原因在於，它是一種視覺化的數據分析方法，它能夠將幾組看不出任何聯系的數據，通過視覺上可以接受的定點陣圖展現出來。
[if !supportLineBreakNewLine]
[endif]
二、理論思想
由於指標型的因子分析和樣品型的因子分析反映的是一個整體的不同側面，因此它們之間一定存在內在的聯系。如果能夠有效利用這種內在聯系所提供的信息，對更全面合理地分析數據具有很大的幫助。在因子分析中，如果研究的對象是樣品，可採用Q型因子分析；如果研究的對象是變數，則需採用R型因子分析。但是，因為這兩種因子分析方法必須分別對樣品和變數進行處理，所以這兩種分析方法往往存在著相互對立的關系，為我們發現和尋找它們的內在聯系製造了困難。而對應分析通過一個過渡矩陣Z將兩者有機地結合了起來。 對應分析的基本思想是將一個聯列表的行和列中各元素的比例結構，以點的形式在較低維的空間中表示出來。 首先，給出指標變數點的協差陣A=Z，Z和樣品點的協差陣B=ZZ』，由於兩者有相同的非零特徵根，所以可以很方便地藉助指標型因子分析而得到樣品型因子分析的結論。如果對每組變數選擇前兩列因子載荷，那麼兩組變數就可以畫出兩個因子載荷的散點圖。由於這兩個圖所表示的載荷可以配對，於是就可以把這兩個因子載荷的兩個散點圖畫到同一張圖中，並以此來直觀地顯示各行變數和各列變數之間的關系。
[if !supportLineBreakNewLine]
[endif]
三、建立模型
[if !supportLineBreakNewLine]
[endif]
數據條件：
[if !supportLists]§ [endif]不能用於相關關系的假設檢驗
對應分析案例：
[if !supportLineBreakNewLine]
[endif]
題目：費希爾在1940年首次介紹列聯表資料時使用的是一份關於眼睛顏色與頭發顏色的調查研究數據。該研究數據包含了5387名蘇格蘭北部的凱斯納斯郡的小學生的眼睛顏色與頭發顏色，如下表所示。試用對應分析方法研究眼睛顏色與頭發顏色之間的對應關系。
一、數據輸入
二、操作步驟 1、進入SPSS，打開相關數據文件，因為本例中是以頻數格式錄入數據的（相同取值的觀測只錄入一次，另加一個頻數變數用於記錄該數值共出現了多少次），所以進入SPSS後，首先要對數據進行預處理，以頻數變數進行加權，從而將數據指定為該種格式。選擇「數據」|「個案加權」命令。首先在「個案加權」對話框的右側選中「個案加權系數」單選按鈕，然後在左側的列表框中選擇「頻數」進入「頻率變數」列表框。單擊「確定」按鈕，完成數據預處理。
2、選擇「分析」|「降維」|「對應分析」命令。先定義行變數及其取值范圍，即在「對應分析」對話框的左側選擇「眼睛顏色」進入右側的「行」列表框，然後單擊下方的「定義范圍」按鈕，在「最小值」中輸入「1」，「最大值」輸入「4」，單擊「更新」按鈕，最後單擊「繼續」按鈕返回「對應分析」對話框。利用同樣的方法定義列變數及其取值范圍。列變數選擇「頭發顏色」，設置「最小值」為「1」，「最大值」為「5」。
3、其餘設置採用系統默認值即可。單擊「確定」按鈕，等待輸出結果。
[if !supportLineBreakNewLine]
[endif]
四、結果分析
1、對應分析表下表是按照原始數據整理而成的行列表，反映的是眼睛顏色和頭發顏色不同組合下的實際樣本數。
2、對應分析摘要在下表中，第一列是維度，其個數等於變數的最小分類數減1，本例中的最小分類數是眼睛顏色的種類（為4類），所以維度是3；第2～5列分別表示奇異值、慣量、卡方值和顯著性；隨後的列給出了各個維度所能解釋的兩個變數關系的百分比，容易發現，前兩個維度就累計解釋了99.6%的信息。
3
、對應分析坐標值及貢獻值下表給出了行變數（眼睛顏色）和列變數（頭發顏色）在各個維度上的坐標值，以及各個類別對各維數的貢獻值。以本表上部分概述行點為例，對表中各列含義做一下簡要說明。 「 數量」列表示各種類別的構成比 ，如深色眼睛的人占總數的構成比例是0.244。 「維得分」列表示各類別在相關維數上的評分 ，首先給出的是默認提取的兩個維數上各類別的因子負荷值。 「慣量」列給出了總慣量（0.23）在行變數中的分解情況，數值越大表示該類別對慣量的貢獻越大。「點對維的慣量」表示在各個維數上，信息量在各類別間的分解狀況 ，本例中第一維數主要被深色、藍色、淺色所攜帶，也就是說這3個類別在第一維數上的區分比較好，第二維數主要被深色、棕色、藍色所攜帶，說明這3個類別在第二維數上的區分比較好。 「維對點的慣量」表示各類別的信息在各維數上的分布比例 ，本例中深色、藍色、淺色都主要分布在第一維數上，棕色主要分在第二維數上。 「總計」表示各維數的信息比例之和 ，可見紅色這一類別在前兩位中只提出了80.3%的信息，效果最差。
4、對應分析圖下表是對應分析圖，是對應分析中最主要的結果，從圖中可以看出兩個變數不同類別之間的關系。我們可以從兩個方面來閱讀本圖：一方面可以分別從橫坐標和縱坐標方向考察變數不同類別之間的稀疏，如果靠得近，則說明在該維數上這些類別之間差別不大；另一方面可以把平面劃分為以（0,0）為原點的4個象限，位於相同象限的不同變數的分類點之間的關聯較強。容易發現本例中：棕色頭發和棕色眼睛，深色頭發、黑色頭發和深色眼睛，金色頭發和藍色眼睛、淺色眼睛存在著比較強的聯系。
分析結論： 通過分析，我們可以知道：由結果分析1可知，眼睛顏色和頭發顏色在不同組合下的實際樣本數。由結果分析2可知，提取的前兩個維數累計就已解釋了99.6%的信息。由結果分析3可知，眼睛顏色和頭發顏色在各個維數上的坐標值，以及各個類別對各個維數的貢獻值。由結果分析4可知，棕色頭發和棕色眼睛，深色頭發、黑色頭發和深色眼睛，金色頭發和藍色眼睛、淺色眼睛存在著比較強的聯系。
（獲取更多知識，前往 gz 號程式解說）
原文來自 https://mp.weixin.qq.com/s/Bt4IzRvcDRAtHKUtmuO57w
4. 用大數據分析找出數據間隱藏的關聯性
用大數據分析找出數據間隱藏的關聯性
智能穿戴設備監測健康、城市交通和天氣的觀測、抓捕罪犯、金融監管……伴隨著大數據呈現出無孔不入的趨勢，大數據分析開始成為人類進行科學決策的重要工具。從IT時代向DT時代的轉變，大數據分析技術用迅速、精準的方式構建更加低成本、高效率的商業社會，並作為時下最為流行的技術之一，已經滲透到行業的方方面面，幫助企業用數據驅動業務的發展。
「DT時代的到來，對客戶全方位的了解可謂是全所未有的。有了數據分析技術，企業可以將服務做的更細致全面，將被動轉變為主動。」北京明略軟體系統有限公司副總裁兼金融事業部總經理周衛天認為，大數據與行業的融合，讓數據本身的價值得到了加倍的提升。
深度挖掘不同數據源間的隱藏關系
成立於2014年的北京明略軟體系統有限公司是一家明略數據專注於關系挖掘的大數據行業應用解決方案提供商。作為一家成立僅兩年的初創企業，目前明略數據已經完成了A輪融資，B輪融資將會在明年（2016年）第二季度完成。當前明略數據主要服務包括金融業、製造業、政府等行業部門在內的大型國企。「針對金融行業和公安部門這類客戶，大數據分析技術首先體現的是精準，通過關系分析管理，從而直達目標群體。」周衛天說道。
金融業是最先落地大數據的行業之一，現在國內不少銀行已經開始嘗試通過大數據來驅動業務的運營。明略數據推出的大數據分析整合平台，幫助銀行實現了風險管控、精準營銷、徵信管理、輿情監控等一系列的優化和提升。
·風險管控、反欺詐應用：利用數據分析，進行貸款質量評估，規避壞賬風險。對中小企業融資風險監控，實現盡早發現企業違約風險。
·精準營銷：在客戶畫像的基礎上開展一系列包括交叉營銷、個性化推薦、實時營銷、客戶生命周期管理等精準營銷管理。
·徵信/催收放貸增收：基於IP、GPS物理位置定位客戶行為軌跡，加強銀行信用卡徵信審核。根據關聯客戶關系網，進行債務催收。
·輿情監控：檢測客服中心、網上留言、社交媒體等信息，制定有效的客戶維系及挽留措施。
公安/刑偵是目前明略數據服務的另一大主要行業，通過隱藏的數據關系通過演算法、分析進行挖掘，快速的幫助公安部門找到有效信息，從而順藤摸瓜，抓到罪犯，提升緊急事件的應對能力。舉個簡單的例子，通過最開始的訂票信息，IP地址，到後來的車次、酒店信息、運營商的數據，將數據間進行關聯分析，就可以確定訂票人之間的關系。
給用戶「技術+服務」兩大保障
以上介紹的金融業和公安部門是明略數據主要服務的兩大行業、部門，對此也不難從側面發現明略數據針對數 據安全性可以給出較高的保障。作為一個數據服務商，明略數據從網路安全、技術數據安全、使用安全等多方面入手，做到讓客戶安心。周衛天介紹，明略數據是國 內外第一家在SQL on Hadoop三大查詢引擎（Hive, Impala和Spark SQL）上實現行，列級別細顆粒度的許可權控制大數據平台供應商。
有了技術上的優勢，也就有了競爭的底氣。在被問到如何在國內的大數據市場中搶占份額的時候，周衛天的說 法很淡然，盡管國內的巨頭已經進入進來，但市場很大，對像明略數據這樣快速成長的企業還是存在很大的機會。另外，明略的優勢是擁有專業的技術團隊，可以把 海量的數據源進行關聯分析、深度挖掘，找出其中所隱藏的關系線索。
談到今後的發展策略，除了技術的專注，服務好現有客戶將是明略數據近幾年關注的焦點。據了解，2016年明略數據將擴大各省市分公司規模，採取就近布局，包括市場、內部管理運營制定一系列的分級響應措施， 增強客戶的售後服務。此外在未來，明略數據也會邀請客戶和技術人員進入到項目中來，以便更好地了解技術的使用，從而可以快速上手，以周衛天的話說，這也是客戶增值服務的另一個角度。
5. 如何轉化為關聯分析的數據
關聯分析又稱關聯挖掘，就是在交易數據、關系數據或其他信息載體中，查找存在於項目集合或對象集合之間的頻繁模式、關聯、相關性或因果結構。
或者說，關聯分析是發現交易資料庫中不同商品（項）之間的聯系。
6. 如何用excel進行兩組數據的關聯性分析應該用什麼方法如何展示
做下對比分析就行了，月度對比、工作日與非工作日、問題類型佔比（這個月是哪個類型多，下個月是哪個類型多這一類的變化）等等
7. 我想學習灰色關聯分析方法，哪裡有相關資料
灰色關聯分析理論及方法
對於兩個系統之間的因素，其隨時間或不同對象而變化的關聯性大小的量度，稱為關聯度。在系統發展過程中，若兩個因素變化的趨勢具有一致性，即同步變化程度較高，即可謂二者關聯程度較高；反之，則較低。因此，灰色關聯分析方法，是根據因素之間發展趨勢的相似或相異程度，亦即「灰色關聯度」，作為衡量因素間關聯程度的一種方法[16]。灰色系統理論提出了對各子系統進行灰色關聯度分析的概念，意圖透過一定的方法，去尋求系統中各子系統（或因素）之間的數值關系。因此，灰色關聯度分析對於一個系統發展變化態勢提供了量化的度量，非常適合動態歷程分析。
灰色系統關聯分析的具體計算步驟如下：
（1）確定反映系統行為特徵的參考數列和影響系統行為的比較數列
反映系統行為特徵的數據序列，稱為參考數列。影響系統行為的因素組成的數據序列，稱比較數列。
（2）對參考數列和比較數列進行無量綱化處理
由於系統中各因素的物理意義不同，導致數據的量綱也不一定相同，不便於比較，或在比較時難以得到正確的結論。因此在進行灰色關聯度分析時，一般都要進行無量綱化的數據處理。
（3）求參考數列與比較數列的灰色關聯系數ξ（Xi）
所謂關聯程度，實質上是曲線間幾何形狀的差別程度。因此曲線間差值大小，可作為關聯程度的衡量尺度。
（4）求關聯度ri
因為關聯系數是比較數列與參考數列在各個時刻（即曲線中的各點）的關聯程度值，所以它的數不止一個，而信息過於分散不便於進行整體性比較。因此有必要將各個時刻（即曲線中的各點）的關聯系數集中為一個值，即求其平均值，作為比較數列與參考數列間關聯程度的數量表示。
（5）排關聯序
因素間的關聯程度，主要是用關聯度的大小次序描述，而不僅是關聯度的大小。將m個子序列對同一母序列的關聯度按大小順序排列起來，便組成了關聯序，記為{x}，它反映了對於母序列來說各子序列的「優劣」關系。若r0i>r0j，則稱{xi}對於同一母序列{x0}優於{xj}，記為{xi}>{xj} ；若r0i表1 代表旗縣參考數列、比較數列特徵值。
8. 如何從客戶購買商品數據列表中找出商品的關聯，急求！！
如果是E表。你就直接篩選客戶名，或者用E表的透視表來體現也可以