大型超市购物篮问题
2024年超市购物篮市场规模分析
2024年超市购物篮市场规模分析1. 引言超市购物篮是指在购物超市中提供给消费者用于装载和携带商品的篮子或购物车。
随着人们对便利性和舒适性的要求不断提高，购物篮在超市购物中扮演着重要的角色。
本文将对超市购物篮市场规模进行分析，探讨其发展趋势与影响因素。
2. 市场规模分析2024年超市购物篮市场规模分析主要从以下几个方面展开：2.1 市场概况超市购物篮市场的发展受到人们购物行为和超市发展状况等多方面因素的影响。
当前，随着城市化进程的加速和人们消费水平的提高，购物超市逐渐成为民众购买生活必需品的主要场所，进一步推动了超市购物篮市场的发展。
2.2 市场规模及增长趋势超市购物篮市场规模可以通过销售额、销售数量、增长率等指标进行衡量。
根据市场调研数据，过去几年超市购物篮市场呈现稳步增长的态势。
预计未来几年内，随着超市业态的升级和消费需求的不断增长，该市场规模将继续扩大。
2.3 地区分布超市购物篮市场在全国范围内都有着广泛的影响。
大中城市由于人口数量庞大且经济发达，超市购物篮市场规模较大。
此外，一些新兴城市和乡村地区也不断涌现出新的超市，推动了超市购物篮市场的进一步发展。
3. 影响因素分析超市购物篮市场规模的发展受到多个因素的影响，主要包括：3.1 经济因素经济因素是影响超市购物篮市场规模的重要因素之一。
经济的稳定与发展能够提升人们的购买力，促使他们在超市购物时更倾向于使用购物篮。
因此，经济的繁荣与超市购物篮市场规模的增长密切相关。
3.2 消费者需求消费者对于购物体验和便利性的要求也对超市购物篮市场规模产生重要影响。
超市购物篮的设计和功能能够满足消费者在购物过程中的需求，提升其购物体验和便利性，进而推动市场规模的增长。
3.3 超市布局与管理超市购物篮市场规模还受到超市布局和管理的影响。
合理的超市布局能够提高购物篮的使用率，进而促使市场规模扩大。
同时，超市管理的规范和效率也能够增加购物篮的需求量，并推动市场规模的增长。
超级市场零售商品的购物篮分析_王汉生
超级市场零售商品的购物篮分析王汉生1、江明华1、曹丽娜2、金英11北京大学光华管理学院，2中央电视台广告部摘要 本文利用国内某中型城市中，处于垄断地位的一个大型超市的26天的销售流水数据对消费者的购物篮中商品的相关性进行了探索性研究。
具体地说，我们首先介绍了一个基于0-1变量的聚类方法，可以被用来做典型的菜篮子分析；然后，我们用此方法详细分析某中等城市的一个大型连锁超市数据。
对消费者购物篮中商品的相关心进行了探索性的研究。
关键词：消费者行为、购物篮分析、0-1变量、聚类分析0问题提出首先，现代零售商品种类极端丰富，消费者需要处理的信息量急剧增加。
消费者平均要以每秒33件的速度从5万件商品中挑选出17件商品。
Phillips（2005）的研究表明，当消费者面对种类繁多的商品时，并不会应为可选择的丰富多样性而得到满足。
但是，消费者却能够因为超市对其商品选择的引导而感到满意。
超市引导的一个办法就是通过商品的布货，也即，哪些商品可以摆放在一起，而哪些商品又应当分别摆放。
问题是，超市进行布货的依据是什么？其次，我们可以观察到商场和超市经常进行各种促销，其中最常见的促销方式是打折，而且，常常是全场打折。
这样的打折往往不是超市最优的选择。
因为，消费者在购买某些商品的时候，会同时购买另一些商品，而不管它们是否是在打折。
在这种情况下，只要这两种商品之一处于打折状态，往往会刺激消费者购买两种商品。
这样，超市只需要对一种商品打折就可以达到促销两种商品的目的，从而可以大大提高超市的效益。
问题是，超市安排商品打折的依据是什么？因此，基于上述原因，了解消费者究竟如何在多商品类目间进行同时选择（Simultaneous Selection）对于超市如何有效地引导消费者和提高效益意义重大。
所以，本文的目的有二。
第一、介绍一个简单而有效的数量方法，可以被用来做典型的菜篮子分析；第二、用此方法详细分析某中等城市的一个大型连锁超市数据，从而探索大陆消费者的相关行为特征。
大型超市“购物篮”分析
题 目 大型超市“购物篮”分析摘 要本文根据顾客购买记录，通过“购物篮”分析，运用多种模型得出结果，并给出促销方案。
问题一要求构建能表达多种商品关联程度的数学模型。
根据4717个顾客对999中商品的购买记录，先用Matlab 对数据进行预处理，将其转化为0-1模型，然后求出购买j 商品的集合j s 和购买k 商品的集合k s ，考虑到同时购买两种商品占购买人数的频率，即相关性，存在购买人数少但相关性大的缺陷。
在改进的模型中，因为存在购买商品数少但也会使相关性大的情况，所以对两种情况进行综合考虑，得出最优模型：j k i k i k s s s s p n s s ⋂⋂=⨯⋃用Matlab 求解0-1矩阵，求出两商品间关联系数较大的前八位，有相关系数的值在0-1范围之内，与所得模型函数的范围一致，可知，该模型是准确可靠的。
问题二要求出有效方法来找出最频繁被购买的商品记录，且越多越好。
根据问题一所得0-1矩阵，将其代入Excel 运用Aprior 模型，先算出单项商品的频繁项集，将支持度较小的数据剔除后，最后选取被购买次数最多的前18个商品，其中最畅销的为368号商品。
根据这18个畅销品，运用同样方法将其转化为两两商品的组合，得到被同时购买次数200次以上的商品；根据此算法依次迭代，得到同时购买3种商品和同时购买4种商品的数据，更多商品被同时购买次数较少因此不予考虑，最后得出：两件商品被同时购买次数最高的是368和529号；三件商品被同时购买次数最高的是368、489和682；四件商品被同时购买次数最高的是68、937、895和413。
问题三要求给出方案使效益最大。
根据问题一中0-1模型和问题二中Aprior 模型，将得到的购买次数最多的商品信息和题中所给利润表相比较，将利润小数量多的商品作为赠品和利润大数量多的商品一同销售；将共同购买次数多且利润大的两商品组合作为促销品进行销售，以进一步提高超市的综合效益。
超市购物车购物篮管理流程
超市购物车购物篮管理流程一、背景介绍超市购物车和购物篮是超市日常运营中必不可少的工具，它们为顾客提供了便利和舒适的购物体验。
但是，购物车和购物篮的管理工作也是非常重要的，它能够影响到超市的整体卫生和秩序，同时也关乎到顾客的购物体验和满意度。
因此，建立一套科学的超市购物车购物篮管理流程对于超市的经营管理具有重要意义。
二、超市购物车购物篮管理流程1. 购物车购物篮的数量规划首先要根据超市的规模和顾客流量来合理规划购物车和购物篮的数量。
一般来说，超市购物车和购物篮的数量应该能够满足顾客的需求，但又不至于过多导致占用过多的空间。
2. 购物车购物篮的摆放位置规划超市购物车和购物篮的摆放位置应该是明显且便利的，能够方便顾客使用，但又不影响超市的整体秩序。
一般来说，购物车和购物篮应该摆放在超市的入口附近，同时也要避免与其他商品陈列形成阻碍。
3. 定期清洁维护购物车和购物篮作为顾客接触最频繁的物品，必须保持良好的卫生状态。
因此，超市需要定期进行购物车和购物篮的清洁维护工作，保持其外观整洁，同时也要定期消毒清洁，以确保顾客的使用安全。
4. 引导使用购物车和购物篮的使用不当可能会造成超市内部的混乱和不明确的秩序。
因此，超市需要建立起一套购物车和购物篮的使用引导制度，引导顾客正确使用购物车和购物篮，避免造成不必要的麻烦。
5. 执勤巡查超市需要安排店员进行购物车和购物篮的执勤巡查工作，及时清理回收顾客用完的购物车和购物篮，保证购物车和购物篮的数量始终足够，并且不会因为使用不当而受损。
6. 异常处理如果在购物车和购物篮的使用过程中出现了异常情况，比如购物车被占用后未归还、购物车或购物篮损坏等情况，超市应该建立起一套相应的处理流程，及时解决问题，避免对超市经营秩序造成不良影响。
7. 数据分析超市可以利用购物车和购物篮的数量、使用情况等数据来进行分析，了解顾客的购物习惯和需求，引导超市商品陈列和促销活动，提高超市的销售效益。
在超市里有多少个购物篮？
在超市里有多少个购物篮？
超市是一个提供商品销售和购物服务的场所，在超市中购物篮
是必不可少的工具。
购物篮方便顾客携带商品，使购物更加轻松和
有序。
那么，在超市里到底有多少个购物篮呢？
超市的购物篮数量取决于超市的规模和顾客的需求。
大型超市
通常拥有大量的购物篮，以满足顾客的购物需求。
这些超市会根据
自己的经验和预测来决定购买多少购物篮。
购物篮的数量通常会根
据超市的大小调整，以确保顾客在购物过程中不会遇到缺乏购物篮
的困扰。
购物篮的数量还可能受到超市的管理策略和顾客行为的影响。
有些超市可能会限制购物篮的数量，以控制顾客购物的规模和速度。
这样可以避免超市过度拥挤和购物篮的滥用。
另外，顾客可能会不
经意地将购物篮带走或遗失，这也会影响超市购物篮的总量。
总而言之，在超市里的购物篮数量是根据超市规模、顾客需求
和管理策略等因素来决定的。
具体的数字因超市而异，不能给出准
确的统计数据。
不过，超市通常会根据实际情况确保购物篮的数量能够满足顾客的需求，使他们可以便利地进行购物。
大型超市“购物篮”分析
大型超市“购物篮”分析题目大型超市“购物篮”分析摘要本文根据顾客购买记录，通过“购物篮”分析，运用多种模型得出结果，并给出促销方案。
问题一要求构建能表达多种商品关联程度的数学模型。
根据4717个顾客对999中商品的购买记录，先用Matlab 对数据进行预处理，将其转化为0-1模型，然后求出购买j 商品的集合j s 和购买k 商品的集合k s ，考虑到同时购买两种商品占购买人数的频率，即相关性，存在购买人数少但相关性大的缺陷。
在改进的模型中，因为存在购买商品数少但也会使相关性大的情况，所以对两种情况进行综合考虑，得出最优模型：j k i k i ks s s s p n s s ??=?? 用Matlab 求解0-1矩阵，求出两商品间关联系数较大的前八位，有相关系数的值在0-1范围之内，与所得模型函数的范围一致，可知，该模型是准确可靠的。
问题二要求出有效方法来找出最频繁被购买的商品记录，且越多越好。
根据问题一所得0-1矩阵，将其代入Excel 运用Aprior 模型，先算出单项商品的频繁项集，将支持度较小的数据剔除后，最后选取被购买次数最多的前18个商品，其中最畅销的为368号商品。
根据这18个畅销品，运用同样方法将其转化为两两商品的组合，得到被同时购买次数200次以上的商品；根据此算法依次迭代，得到同时购买3种商品和同时购买4种商品的数据，更多商品被同时购买次数较少因此不予考虑，最后得出：两件商品被同时购买次数最高的是368和529号；三件商品被同时购买次数最高的是368、489和682；四件商品被同时购买次数最高的是68、937、895和413。
问题三要求给出方案使效益最大。
根据问题一中0-1模型和问题二中Aprior 模型，将得到的购买次数最多的商品信息和题中所给利润表相比较，将利润小数量多的商品作为赠品和利润大数量多的商品一同销售；将共同购买次数多且利润大的两商品组合作为促销品进行销售，以进一步提高超市的综合效益。
大型超市购物篮问题分析_数学建模推荐
⼤型超市购物篮问题分析_数学建模推荐⼤型超市“购物篮”分析摘要本⽂是针对如何充分利⽤顾客购物习惯问题，通过对题⽬的分析，运⽤运筹学的知识，为超市经理提供⼀个能使利润最⼤化的促销⽅案。
⾸先运⽤10-变量的⽅法对数据进⾏预处理，将顾客有意愿购买的商品记为1，没有意愿购买的商品记为0.针对问题⼀：根据10-变量的聚类⽅法，建⽴模型⼀：定量模型，利⽤Matlab 编程，得出{}{}∑∑==>+==n i ik ij n i ik ij jk x xI x x I s 110是表达超市中多种商品间的关联关系的密切程度的定量模型。
针对问题⼆：⾸先根据apriori 计算⽅法，建⽴模型⼆：最畅销商品模型，运⽤Matlab 编程，得出当假设认为⼤于700为购买频繁时得出这些被最频繁购买的商品每2种和每3种商品被同时购买的次数，观察发现其结论与问题⼀得出的商品种类基本⼀致，则说明apriori 计算⽅法是是⼀种快速有效的能从购买记录中分析出哪些商品是最频繁被同时购买的⽅法。
同时通过对运⽤apriori 计算⽅法计算出的结果的观察，发现当产品数量增⼤时商品被同时购买的次数急剧下降。
所以商品数量再增加已经没有研究意义，故只讨论商品数量为2和3的情况。
最终得出最频繁被同时购买的商品组合共有37组，其中商品数量为2的商品组合数有33组且被同时购买时次数最多的是368和529两种商品的组合，次数为334次。
商品数量为3的商品组合数有4组且被同时购买时次数最多的是368，489，682三种商品的组合，次数为124次。
针对问题三：基于消费者理性消费的原则，建⽴模型三：最优促销⽅案模型，运⽤Matlab 编程商品进⾏筛选，将其分为畅销⾼利润G ，畅销低利润D ，⾮畅销⾼利润g ，⾮畅销低利润d 四类，然后通过分析得出可以购买368，956，529，368，692等G 商品分别送106，954，425，761等d 商品。
将g 类商品进⾏打折，最后将G 和D 类商品⽤问题⼆得出的组合⽅案进⾏商品组合然后直接放在同⼀货架中进⾏出售。
大型超市购物篮分析
题目大型超市“购物篮”问题分析摘要本文对于大超市商品的关联度以及商品最频繁同时购买问题进行分析，构建合理的数学模型，并给出可操作的商品销售方案。
问题一要求统计处理4717个顾客对999中商品的购买记录数据，建立数学模型，定量表达超市中多种商品间的关联关系的密切程度。
首先建立遗传算法，利用SPSS统计得出各个商品购买数量，并计算出标准差。
再对影响关联度的另一度量指标进行分析，将数据分类利用Matlab处理数据，得出商品间的欧氏距离。
最后加上实际影响因素，建品572，商品797，购买次数最高,102次，组合利润最高1485.399，总利润最高151510.698。
因此，将这组商品作为最优组合。
问题三要求根据问题1、问题2中建立的模型，对附件2中999种商品的利润进行分析，给出一种初步的促销方案。
对数据运用Matlab进行拟合，得出商品利润与商品之间的关联度符合线性关系。
对附件2中利润数据分类，分别计算结果。
最后，给出促销方案。
关键词遗传算法欧氏距离关联度贪婪算法一、问题背景和重述1.1问题背景超市购物属于日常生活，而每天来超市购物的顾客和购买的商品都具有不稳定性。
商品的销量会因顾客的喜好或时间的影响不断变化，又因商品购买存在随机性、多元性等特点，必须估测好每种商品的需求量。
如处理不当，很可能造成仓库囤积量增多，甚至造成超市利润损失过大。
商品购买是不确定的，但某种或某些商品会获得大多数人的认可，被顾客频繁购买。
在大型超市中，商品繁多、复杂，正确分析并估算顾客对某种或某些商品的喜好，将为超市经理合理设计进货方案、处理仓库、获得最大利润、搞推销、促销活动和购物赠送活动等提供理论依据。
商品市场分析和顾客购物习惯分析，作为超市一项基础性任务，不仅可以确定超市进货合理模式及合理促销方式，还可以为各大型超市确定今后整体规划、超市规模、商品购买后评估等提供更为科学的理论依据。
1.2问题重述现给出超市进一个星期的所有顾客购买物品的清单和相应商品的价格，分析所给数据，研究以下问题，并建立合理的数学模型：1、附件1 中的表格数据显示了该超市在一个星期内的4717 个顾客对999 种商品的购买记录，表格中每一行代表一个顾客的购买记录，数字代表了其购买商品的超市内部编号。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模式识别期中作业--挖掘布尔关联规则频繁项集的算法——Apriori算法一、问题重述作为超市的经理，经常关心的问题是顾客的购物习惯。
他们想知道：“什么商品组或集合顾客多半会在一次购物时同时购买？”。
现在假设你们是某超市的市场分析员，已经掌握了该超市近一个星期的所有顾客购买物品的清单和相应商品的价格，需要你们给超市经理一个合理的“购物篮”分析报告，并提供一个促销计划的初步方案。
问题一：附件1中的表格数据显示了该超市在一个星期内的4717个顾客对999种商品的购买记录，对数据进行分析，试建立一种数学模型，使该模型能定量表达超市中多种商品间的关联关系的密切程度。
问题二：根据问题1建立的模型，通过一种快速有效的方法从附件1中的购买记录中分析出哪些商品是最频繁被同时购买的，找到的最频繁被同时购买的商品数量越多越好。
问题三：附件2给出了这999中商品的对应的利润，根据在问题1、问题2中建立的模型，设定一种初步的促销方案，使超市的效益进一步增大。
二、模型的假设1、假设各个商品的利润保持不变。
2、假设表格中的数据能真实地反映当地消费者的购物情况。
3、假设短时间内商品的销售情况维持稳定，不会出现大幅波动。
三、符号说明符号解释说明s i组合i的支持度c(A=>B)规则A=>B的置信度c(B=>A)规则B=>A的置信度c i组合i的平均置信度s min最小支持度c min最小置信度μ关联密切系数H促销系数四、问题分析本题是关于大型超市“购物篮”的分析问题，涉及到数据挖掘、关联规则等相关问题。
本题的三个问题是层层递进的关系，要求通过对商品购买数据的分析，找到关联程度较高且购买次数较高的商品，最后设计出合理的超市促销方案。
问题一，由于购物篮分析是关联规则挖掘的一个典型案例，因此我们采用一种最有影响的挖掘布尔关联规则[1]频繁项集的算法——Apriori算法[2-3]。
利用其基本思想，进行了商品两种之间的支持度和置信度计算，在定义最小支持度和最小置信度后，进行筛选得到关联规则集。
为定量地表达超市中多种商品间的关联关系的密切程度，本文引入一个关联密切系数进行衡量分别对12个组合求解平均置信度,进而得到该组的关联密切系数。
由此认为，关联密切系数越大的商品组合，其关联关系密切程度较高。
问题二，在得到商品两种关联数据的基础上，仅考虑商品支持度的大小，求得在一定最小支持度下被频繁地同时购买的商品组合。
同时为使商品数量尽量多，我们在两种组合的情况下延伸至三种组合，四种组合……以此得到尽可能多的商品被频繁同时购买的信息，尽量靠近最频繁被同时购买且商品数量越多的双重目标。
问题三，在结合商品利润的条件下，考虑两种组合中各商品的利润、支持度和置信度，分别计算出三者的乘积再求和，记为促销系数H，并以此作为衡量此组合商品是否进行促销的标准。
当结果较高时，我们就采取就近摆放、打折促销、消费送礼等捆绑销售方式式得到一种促销方案，在方便顾客的购买的同时，增加消费者对该超市的有好感和信任度，最终使得超市的效益进一步增大。
五、模型的建立和求解模型一：基于Apriori算法的关联规则挖掘[4]模型1.模型的准备设: I={i1,i2......,im}是所有项目的集合. D是所有事务的集合(即数据库), 每个事务T是一些项目的集合, T包含在D中, 每个事务可以用唯一的标识符TID来标识.设X为某些项目的集合,如果X包含在T中,则称事务T包含X,关联规则则表示为如下形式(X包含在T)=>(Y包含在T)的蕴涵式,这里X包含在I中, Y包含在I中,并且X∧Y=Φ.其意义在于一个事务中某些项的出现,可推导出另一些项在同一事务中也出现(为简单化,将(X包含在T)=>(Y包含在T)表示为X=>Y,这里,‘=>’称为‘关联’操作，X称为关联规则的先决条件,Y称为关联规则的结果).事务数据库D中的规则X=>Y是由支持度s（support）和置信度c(confidence)约束,置信度表示规则的强度, 支持度表示在规则中出现的频度。
数据项集X的支持度s(X)是D中包含X的事务数量与D的总事务数量之比, 但为下文便于叙述, 数据项集X的支持度是用数据库D中包含X的数量来表示;规则X=>Y的支持度s定义为: 在D中包含X∪Y的事务所占比例为s%, 表示同时包含X和Y的事务数量与D的总事务量之比。
用该项集出现的次数除以TID总数即可得到，用如下公式表示：Support(X)=Count(X)/Count(TID)规则X=>Y的置信度c定义为: 在D中,c%的事务包含X的同时也包含Y, 表示D中包含X的事务中有多大可能性包含Y. 依据所求的频繁项集，及所求得的支持度，运用如下公式求解：Confidence(X=>Y)=Support(X∪Y)/Support(X)最小支持度阈值minsupport表示数据项集在统计意义上的最低主要性. 最小置信度阈值mincontinence表示规则的最低可靠性. 如果数据项集X满足X.support>=minsupport, 则X是大数据项集. 一般由用户给定最小置信度阈值和最小支持度阈值.置信度和支持度大于相应阈值的规则称为强关联规则, 反之称为弱关联规则. 发现关联规则的任务就是从数据库中发现那些置信度、支持度大小等于给定值的强壮规则.基于上述概念，我们可以很容易得到一些基本结论:(1)K维数据项集XK是频繁项集的必要条件是它所有K-1维子项集也为频繁项集，记为XK-1（2）如果K维数据项集XK的任意一个K-1维子集XK-1，不是频繁项集，则K 维数据项集XK本身也不是最大数据项集。
(3)XK是K维频繁项集，如果所有K-1维频繁项集集合XK-1中包含XK的K-1维子项集的个数小于K，则XK不可能是K维最大频繁数据项集。
证明:很明显，数据项集XK-1:的K-1维子项集的个数为K-1。
如果高频繁数据项集XK-1，中包含XK的K-1.维子项集的个数小于K，则存在XK的K-1维子项集不是频繁数据项集，由结论(2)知K维数据项集本身也不是高频繁数据项集。
2、模型的建立（1）求关联规则集第一步：从事务数据库D中找出所有支持度不小于指定的最小支持度阈值的频繁项集。
第二步：使用频繁项集产生所期望的关联规则，产生关联规则的基本原则是其置信度不小于指定的最小置信度阈值。
第一步的任务是迅速高效地找出D中全部的频繁项集，这是关联规则挖掘的核心问题，是衡量关联规则挖掘算法的标准。
对此，我们运用Matlab 进行编程得出计算结果。
第二步的求解比较容易和直接，先分别计算出不小于最小支持度的商品组合对应的置信度，降序后进行筛选。
最后只留下支持度和置信度都较高的商品组合。
此建模过程可以表示为：图1 关联规则挖掘模型示意图（2）关联关系的密切程度表示对商品组合数据的挖掘结果进行整理，得到关联规则表格，再利用表格中各商品组合对应的支持度和平均置信度表示组合的关联关系。
例如：在组合i 中，有两个编号分别为i A 、i B 的两个商品，其支持度为i s ，平均置信度为])A ()(A [21c i i i i i B c B c =>+=>=，则该组合的关联关系可以表示为（i i c s ,）.为定量表达超市中多种商品间的关联关系的密切程度，我们引入一个关联密切系数[5]来衡量，我们认为当支持度和置信度分别大于距离最低支持度和最低置信度时，其距离越远，关联程度越高，于是得到其公式为：2min 2min )(c c s s i i -+-=）（μ其中，i s 为组合i 的支持度，i c 为该组合的平均置信度,m in s 和m in c 分别为该类组合的最小支持度和最小置信度。
用图表示为：组合i编号A编号B支持度图2 关联密切系数示意图将12组商品组合的支持度和平均置信度带入关联密切系数的公式中进行计算，将所得数据列表降序排列，关联系数越大的商品组合的关联关系的密切程度越大。
3、模型的求解对于问题1：（1）将最小支持度设定为5%，从4717个原始数据项中得到个数为17的频繁项集。
按支持度降序排列后，依次编号，整理得到表1：表1 两种组合频繁项集表13685290.07079270923688290.0663416732173680.06167867743684890.06167867753686820.06125476963684190.05701568573689370.05553200583686920.05532005193685100.055108097103689140.054896142115296920.054472234125298290.054048326133687200.0527766144385290.051716829152175290.051292921对由上表得到166928290.051080967的数据，分别计算各174198290.05023315个组合相互的置信度，并将最小置信度设定为20%，剔除部分数据后得到关联规则集。
再对数据列表的s(A=>B)进行降序处理，重新编号后得到表2：表2 关联规则表组合i编号A编号B支持度s置信度c(A=>B)置信度c(B=>A)1 2173680.0616786770.3112299470.2174887892 6928290.0510809670.2960687960.2184950143 4385290.0517168290.2867215040.224058774 2175290.0512929210.2588235290.2222222225 4198290.050233150.2513255570.214868546 3685290.0707927090.2496263080.3067033987 5296920.0544722340.2359963270.3157248168 5298290.0540483260.234159780.231187679 3688290.066341670.2339312410.28377153210 3684890.0616786770.2174887890.32844243811 3686820.0612547690.2159940210.35286935312 3684190.0570156850.2010463380.285259809组合i编号A编号B支持度平均置信度关联密切系数最后留下的12个支持度和置信度都较高的商品组合即为关联规则集。
（3）为定量地表达超市中多种商品间的关联关系的密切程度，分别对12个组合求解平均置信度,进而得到该组的关联密切系数。