我们以R语言的Apriori算例库中，arules包中自带的Groceries数据集为例，介绍购物篮分析的数据分层方法。
Groceries数据集来自一个现实中真实存在的欧洲超市，是其经营一个月的购物篮数据，共包含9835次交易，由169个商品完成销售，按照一个月30天计算，该超市每天平均为328笔交易，根据Groceries数据集的交易笔数、商品品类构成，应该是一家社区型小型食品超市。
从Groceries数据集提供的TOP 20商品销售列表（见下图）可以看出，前20个出现次数最多的商品都是食品，销售排行依次为全脂牛奶、蔬菜、面包、苏打水、酸奶等，也印证了这是一家小型食品超市。

Groceries数据集中Top 20商品购买频率

在现有的关联分析算例数据集中，Groceries数据集是目前所见最完整、最真实、且最大规模的购物篮数据，Groceries数据集代表了学术界心中的真实超市购物篮，是学习Apriori算法的最佳入门级数据集。
需要注意的是，Groceries数据集是经过整理后的超市购物篮数据 ，需要在此对Groceries数据集进行详细说明一下，否则会误导学习购物篮分析的新手。

下表是从Groceries数据集中提取的11个购物篮数据，Items是购物篮中的商品，如citrus fruit（柑橘类水果）,semi-finished bread（半成品面包）,margarine（人造奶油）,ready soups（成品汤）等。
初次看Groceries数据集，感觉超市的真实购物篮数据就应该这样，但当有了真实的超市购物篮分析经验后，会发现Groceries购物篮数据中暗藏的陷阱。
一家每天可以卖到300多笔交易的超市，怎么可以只靠169个商品完成的？
一家7-11便利店，每天的800-1000笔交易，是靠2000-3000个商品完成的。
如果仔细研究一下下表购物篮数据中的商品名称（Items）后，会恍然大悟：原来Groceries数据集的商品项目做了品类升级处理！

表 Groceries购物篮商品列表
比如第一个购物篮中的有citrus fruit（柑橘类水果）,semi-finished bread（半成品面包）,margarine（人造奶油）,ready soups（成品汤类）四个商品，其实都不是具体商品，而是上升到了上一级商品品类。
citrus fruit（柑橘类水果）是一个品类，这个品类可能有3-5个商品，对应了3-5个不同售价的柑橘类水果。
semi-finished bread（半成品面包）,margarine（人造奶油）,ready soups（成品汤）不是三个商品，而是各自对应了5-10种半成品面包、人造奶油、成品汤等商品单品，是三个品类的名称。
因此Groceries数据集中的169个商品是商品的细分品类，应该对应了1000-2000个具体的真实商品。
Groceries数据集将1000-2000个商品简化为169个商品品类，购物篮中的商品做了品类升级处理，简化了商品的品类层级维度，聚焦到商品品类，便于学习数据挖掘算法，简化购物篮分析的入门难度。
但在现实中，可以看到大量超市购物篮分析的案例，都是直接把超市的购物篮数据拿过来，直接上手分析，这样会带来很多问题。
下表来自于一个真实南方超市的交易数据，表中共有8个购物篮，购物篮中商品是真实超市售卖的商品，该超市经营面积大致在1500平米，属于标准超市，主营商品以生鲜为主，经营商品在5000个左右，每天交易笔数在2000-2500笔左右。

某超市购物篮的商品项集
上表省略了商品编码、包装规格、销售价格、销售金额等项目，商品名称采取了简写，便于打印在收银小票上，而商品名称不代表商品的唯一性，如二个商品名称都是东北大米，包装规格都是5公斤，但是销售价格不一致，因此是二个商品。
如果把上面的购物篮数据直接进行分析，会就掉进关联分析的层级陷阱中。
这是因为真实购物篮中的商品层级太低了，直接拿某一个具体的猪前腿作为分析对象，关联商品就会混杂在几千个购物篮中，即使找到了关联商品，商品之间关联指标也会被稀释，淹没在庞大的购物篮数据中。
如果进行品类升层处理，如同上面的Groceries数据集一样，将几千个商品升级为100-200个商品品类（小品类），这样构成的购物篮数据才有可能方便地挖掘出商品之间的关联关系。
因此在对上述的购物篮数据进行分析时，可以将东北大米升级为大米品类，其他商品也同样上升一级品类，比如分别升级为糖、蔬菜、鸡蛋、猪肉等，这样可以使得关联规则更加聚焦。