淺談Python實現(xiàn)Apriori算法介紹
導讀:
隨著大數(shù)據(jù)概念的火熱,啤酒與尿布的故事廣為人知。我們?nèi)绾伟l(fā)現(xiàn)買啤酒的人往往也會買尿布這一規(guī)律?數(shù)據(jù)挖掘中的用于挖掘頻繁項集和關(guān)聯(lián)規(guī)則的Apriori算法可以告訴我們。本文首先對Apriori算法進行簡介,而后進一步介紹相關(guān)的基本概念,之后詳細的介紹Apriori算法的具體策略和步驟,最后給出Python實現(xiàn)代碼。
1.Apriori算法簡介
Apriori算法是經(jīng)典的挖掘頻繁項集和關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘算法。A priori在拉丁語中指"來自以前"。當定義問題時,通常會使用先驗知識或者假設(shè),這被稱作"一個先驗"(a priori)。Apriori算法的名字正是基于這樣的事實:算法使用頻繁項集性質(zhì)的先驗性質(zhì),即頻繁項集的所有非空子集也一定是頻繁的。Apriori算法使用一種稱為逐層搜索的迭代方法,其中k項集用于探索(k+1)項集。首先,通過掃描數(shù)據(jù)庫,累計每個項的計數(shù),并收集滿足最小支持度的項,找出頻繁1項集的集合。該集合記為L1。然后,使用L1找出頻繁2項集的集合L2,使用L2找出L3,如此下去,直到不能再找到頻繁k項集。每找出一個Lk需要一次數(shù)據(jù)庫的完整掃描。Apriori算法使用頻繁項集的先驗性質(zhì)來壓縮搜索空間。
2. 基本概念
- 項與項集:設(shè)itemset={item1, item_2, …, item_m}是所有項的集合,其中,item_k(k=1,2,…,m)成為項。項的集合稱為項集(itemset),包含k個項的項集稱為k項集(k-itemset)。
- 事務(wù)與事務(wù)集:一個事務(wù)T是一個項集,它是itemset的一個子集,每個事務(wù)均與一個唯一標識符Tid相聯(lián)系。不同的事務(wù)一起組成了事務(wù)集D,它構(gòu)成了關(guān)聯(lián)規(guī)則發(fā)現(xiàn)的事務(wù)數(shù)據(jù)庫。
- 關(guān)聯(lián)規(guī)則:關(guān)聯(lián)規(guī)則是形如A=>B的蘊涵式,其中A、B均為itemset的子集且均不為空集,而A交B為空。
- 支持度(support):關(guān)聯(lián)規(guī)則的支持度定義如下:
其中表示事務(wù)包含集合A和B的并(即包含A和B中的每個項)的概率。注意與P(A or B)區(qū)別,后者表示事務(wù)包含A或B的概率。
置信度(confidence):關(guān)聯(lián)規(guī)則的置信度定義如下:
項集的出現(xiàn)頻度(support count):包含項集的事務(wù)數(shù),簡稱為項集的頻度、支持度計數(shù)或計數(shù)。
頻繁項集(frequent itemset):如果項集I的相對支持度滿足事先定義好的最小支持度閾值(即I的出現(xiàn)頻度大于相應的最小出現(xiàn)頻度(支持度計數(shù))閾值),則I是頻繁項集。
強關(guān)聯(lián)規(guī)則:滿足最小支持度和最小置信度的關(guān)聯(lián)規(guī)則,即待挖掘的關(guān)聯(lián)規(guī)則。
3. 實現(xiàn)步驟
一般而言,關(guān)聯(lián)規(guī)則的挖掘是一個兩步的過程:
- 找出所有的頻繁項集
- 由頻繁項集產(chǎn)生強關(guān)聯(lián)規(guī)則
3.1挖掘頻繁項集
3.1.1相關(guān)定義
連接步驟:頻繁(k-1)項集Lk-1的自身連接產(chǎn)生候選k項集Ck
Apriori算法假定項集中的項按照字典序排序。如果Lk-1中某兩個的元素(項集)itemset1和itemset2的前(k-2)個項是相同的,則稱itemset1和itemset2是可連接的。所以itemset1與itemset2連接產(chǎn)生的結(jié)果項集是{itemset1[1], itemset1[2], …, itemset1[k-1], itemset2[k-1]}。連接步驟包含在下文代碼中的create_Ck函數(shù)中。
剪枝策略
由于存在先驗性質(zhì):任何非頻繁的(k-1)項集都不是頻繁k項集的子集。因此,如果一個候選k項集Ck的(k-1)項子集不在Lk-1中,則該候選也不可能是頻繁的,從而可以從Ck中刪除,獲得壓縮后的Ck。下文代碼中的is_apriori函數(shù)用于判斷是否滿足先驗性質(zhì),create_Ck函數(shù)中包含剪枝步驟,即若不滿足先驗性質(zhì),剪枝。
刪除策略
基于壓縮后的Ck,掃描所有事務(wù),對Ck中的每個項進行計數(shù),然后刪除不滿足最小支持度的項,從而獲得頻繁k項集。刪除策略包含在下文代碼中的generate_Lk_by_Ck函數(shù)中。
3.1.2 步驟
- 每個項都是候選1項集的集合C1的成員。算法掃描所有的事務(wù),獲得每個項,生成C1(見下文代碼中的create_C1函數(shù))。然后對每個項進行計數(shù)。然后根據(jù)最小支持度從C1中刪除不滿足的項,從而獲得頻繁1項集L1。
- 對L1的自身連接生成的集合執(zhí)行剪枝策略產(chǎn)生候選2項集的集合C2,然后,掃描所有事務(wù),對C2中每個項進行計數(shù)。同樣的,根據(jù)最小支持度從C2中刪除不滿足的項,從而獲得頻繁2項集L2。
- 對L2的自身連接生成的集合執(zhí)行剪枝策略產(chǎn)生候選3項集的集合C3,然后,掃描所有事務(wù),對C3每個項進行計數(shù)。同樣的,根據(jù)最小支持度從C3中刪除不滿足的項,從而獲得頻繁3項集L3。
- 以此類推,對Lk-1的自身連接生成的集合執(zhí)行剪枝策略產(chǎn)生候選k項集Ck,然后,掃描所有事務(wù),對Ck中的每個項進行計數(shù)。然后根據(jù)最小支持度從Ck中刪除不滿足的項,從而獲得頻繁k項集。
3.2 由頻繁項集產(chǎn)生關(guān)聯(lián)規(guī)則
一旦找出了頻繁項集,就可以直接由它們產(chǎn)生強關(guān)聯(lián)規(guī)則。產(chǎn)生步驟如下:
對于每個頻繁項集itemset,產(chǎn)生itemset的所有非空子集(這些非空子集一定是頻繁項集);
對于itemset的每個非空子集s,如果,則輸出
,其中min_conf是最小置信度閾值。
4. 樣例以及Python實現(xiàn)代碼
下圖是《數(shù)據(jù)挖掘:概念與技術(shù)》(第三版)中挖掘頻繁項集的樣例圖解。
本文基于該樣例的數(shù)據(jù)編寫Python代碼實現(xiàn)Apriori算法。代碼需要注意如下兩點:
- 由于Apriori算法假定項集中的項是按字典序排序的,而集合本身是無序的,所以我們在必要時需要進行set和list的轉(zhuǎn)換;
- 由于要使用字典(support_data)記錄項集的支持度,需要用項集作為key,而可變集合無法作為字典的key,因此在合適時機應將項集轉(zhuǎn)為固定集合frozenset。
""" # Python 2.7 # Filename: apriori.py # Author: llhthinker # Email: hangliu56[AT]gmail[DOT]com # Blog: http://www.cnblogs.com/llhthinker/p/6719779.html # Date: 2017-04-16 """ def load_data_set(): """ Load a sample data set (From Data Mining: Concepts and Techniques, 3th Edition) Returns: A data set: A list of transactions. Each transaction contains several items. """ data_set = [['l1', 'l2', 'l5'], ['l2', 'l4'], ['l2', 'l3'], ['l1', 'l2', 'l4'], ['l1', 'l3'], ['l2', 'l3'], ['l1', 'l3'], ['l1', 'l2', 'l3', 'l5'], ['l1', 'l2', 'l3']] return data_set def create_C1(data_set): """ Create frequent candidate 1-itemset C1 by scaning data set. Args: data_set: A list of transactions. Each transaction contains several items. Returns: C1: A set which contains all frequent candidate 1-itemsets """ C1 = set() for t in data_set: for item in t: item_set = frozenset([item]) C1.add(item_set) return C1 def is_apriori(Ck_item, Lksub1): """ Judge whether a frequent candidate k-itemset satisfy Apriori property. Args: Ck_item: a frequent candidate k-itemset in Ck which contains all frequent candidate k-itemsets. Lksub1: Lk-1, a set which contains all frequent candidate (k-1)-itemsets. Returns: True: satisfying Apriori property. False: Not satisfying Apriori property. """ for item in Ck_item: sub_Ck = Ck_item - frozenset([item]) if sub_Ck not in Lksub1: return False return True def create_Ck(Lksub1, k): """ Create Ck, a set which contains all all frequent candidate k-itemsets by Lk-1's own connection operation. Args: Lksub1: Lk-1, a set which contains all frequent candidate (k-1)-itemsets. k: the item number of a frequent itemset. Return: Ck: a set which contains all all frequent candidate k-itemsets. """ Ck = set() len_Lksub1 = len(Lksub1) list_Lksub1 = list(Lksub1) for i in range(len_Lksub1): for j in range(1, len_Lksub1): l1 = list(list_Lksub1[i]) l2 = list(list_Lksub1[j]) l1.sort() l2.sort() if l1[0:k-2] == l2[0:k-2]: Ck_item = list_Lksub1[i] | list_Lksub1[j] # pruning if is_apriori(Ck_item, Lksub1): Ck.add(Ck_item) return Ck def generate_Lk_by_Ck(data_set, Ck, min_support, support_data): """ Generate Lk by executing a delete policy from Ck. Args: data_set: A list of transactions. Each transaction contains several items. Ck: A set which contains all all frequent candidate k-itemsets. min_support: The minimum support. support_data: A dictionary. The key is frequent itemset and the value is support. Returns: Lk: A set which contains all all frequent k-itemsets. """ Lk = set() item_count = {} for t in data_set: for item in Ck: if item.issubset(t): if item not in item_count: item_count[item] = 1 else: item_count[item] += 1 t_num = float(len(data_set)) for item in item_count: if (item_count[item] / t_num) >= min_support: Lk.add(item) support_data[item] = item_count[item] / t_num return Lk def generate_L(data_set, k, min_support): """ Generate all frequent itemsets. Args: data_set: A list of transactions. Each transaction contains several items. k: Maximum number of items for all frequent itemsets. min_support: The minimum support. Returns: L: The list of Lk. support_data: A dictionary. The key is frequent itemset and the value is support. """ support_data = {} C1 = create_C1(data_set) L1 = generate_Lk_by_Ck(data_set, C1, min_support, support_data) Lksub1 = L1.copy() L = [] L.append(Lksub1) for i in range(2, k+1): Ci = create_Ck(Lksub1, i) Li = generate_Lk_by_Ck(data_set, Ci, min_support, support_data) Lksub1 = Li.copy() L.append(Lksub1) return L, support_data def generate_big_rules(L, support_data, min_conf): """ Generate big rules from frequent itemsets. Args: L: The list of Lk. support_data: A dictionary. The key is frequent itemset and the value is support. min_conf: Minimal confidence. Returns: big_rule_list: A list which contains all big rules. Each big rule is represented as a 3-tuple. """ big_rule_list = [] sub_set_list = [] for i in range(0, len(L)): for freq_set in L[i]: for sub_set in sub_set_list: if sub_set.issubset(freq_set): conf = support_data[freq_set] / support_data[freq_set - sub_set] big_rule = (freq_set - sub_set, sub_set, conf) if conf >= min_conf and big_rule not in big_rule_list: # print freq_set-sub_set, " => ", sub_set, "conf: ", conf big_rule_list.append(big_rule) sub_set_list.append(freq_set) return big_rule_list if __name__ == "__main__": """ Test """ data_set = load_data_set() L, support_data = generate_L(data_set, k=3, min_support=0.2) big_rules_list = generate_big_rules(L, support_data, min_conf=0.7) for Lk in L: print "="*50 print "frequent " + str(len(list(Lk)[0])) + "-itemsets\t\tsupport" print "="*50 for freq_set in Lk: print freq_set, support_data[freq_set] print print "Big Rules" for item in big_rules_list: print item[0], "=>", item[1], "conf: ", item[2]
代碼運行結(jié)果截圖如下:
以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python matplotlib繪制實時數(shù)據(jù)動畫
Matplotlib作為Python的2D繪圖庫,它以各種硬拷貝格式和跨平臺的交互式環(huán)境生成出版質(zhì)量級別的圖形。本文將利用Matplotlib庫繪制實時數(shù)據(jù)動畫,感興趣的可以了解一下2022-03-03在Python中使用MySQL--PyMySQL的基本使用方法
PyMySQL 是在 Python3.x 版本中用于連接 MySQL 服務(wù)器的一個庫,Python2中則使用mysqldb。這篇文章主要介紹了在Python中使用MySQL--PyMySQL的基本使用,需要的朋友可以參考下2019-11-11Matplotlib animation模塊實現(xiàn)動態(tài)圖
這篇文章主要介紹了Matplotlib animation模塊實現(xiàn)動態(tài)圖,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2021-02-02