FP-growth算法将数据集存储在一种称作FP树的紧凑数据结构中,然后发现频繁项集或者频繁项对,即常在一块出现的元素项的集合FP树。FP代表频繁模式(Frequent Pattern)。FP树通过链接(link)来连接相似元素,被连起来的元素项可以看成一个链表。
本文代码主要来源于《机器学习实战》书,为了适配python3.6,部分代码做了修改。
FP树的一个例子如下
FP-growth算法虽然能高效地发现频繁项集,但是不能用于发现关联规则。FP-growth算法的执行速度快于Apriori算法,通常性能要好两个数量级以上。
FP-growth算法只需要对数据集扫描两次,它发现频繁项集的过程如下:
- 构建FP树
- 从FP树中挖掘频繁项集
1. 构建FP树
步骤:
-
扫描数据集,对所有元素项的出现次数进行计数,去掉不满足最小支持度的元素项;
-
对每个集合进行过滤和排序,过滤是去掉不满足最小支持度的元素项,排序基于元素项的绝对出现频率来进行;
-
创建只包含空集合的根节点,将过滤和排序后的每个项集依次添加到树中,如果树中已经存在该路径,则增加对应元素上的值。如果该路径不存在,则创建一条新路径。
带头指针的FP树
python代码
class treeNode:
"""FP树的类定义"""
def __init__(self,nameValue,numOccur,parentNode):
self.name = nameValue # 存放节点的名字
self.count = numOccur # 计数值
self.nodeLink = None # 用于链接相似的元素项
self.parent = parentNode # 指向当前节点的父节点
self.children = {} # 当前节点的子节点
def inc(self,numOccur):
"""对count变量增加给定值"""
self.count += numOccur
def displayFPTree(self,ind=1):
"""将树以文本形式显示出来"""
print(" "*ind,self.name," ",self.count)
for child in self.children.values():
child.displayFPTree(ind+1)
# FP树构建函数
def createTree(dataSet,minsup=1):
"""构建FP树,其中输入的数据集dataSet是字典类型"""
# 对数据集进行第一次扫描,统计每个元素项出现的频率,将结果存在头指针表中
headerTable = {}
for trans in dataSet:
for item in trans:
headerTable[item] = headerTable.get(item,0) + dataSet[trans]
# 去掉头指针表中出现次数小于最小支持度阈值的项
for item in list(headerTable.keys()):
if headerTable[item] < minsup:
del (headerTable[item])
freqItemSet = set(headerTable.keys()) # 获取频繁项
# 如果没有元素项满足要求,则退出
if len(freqItemSet) == 0:
return None,None
# 对头指针表进行扩展,以便可以保存计数值和指向每种类型第一个元素项的指针
for item in headerTable:
headerTable[item] = [headerTable[item], None]
# 创建只包含空集合的根节点
retTree = treeNode('Null Set', 1, None)
# 对数据集进行第二次扫描,构建FP树
for trans,count in dataSet.items():
localD = {}
# 对该项集进行过滤
for item in trans:
if item in freqItemSet: # 仅考虑频繁项
localD[item] = headerTable[item][0]
# 对该项集进行排序,按元素的频率来排序,如果两元素在频次相同按字母顺序排序
if len(localD) > 0:
# ord() 函数是以一个字符(长度为1的字符串)作为参数,返回对应的十进制ASCII数值,比如:ord('a') 返回97 ord('b') 返回98
# 如果都是数字 -ord(p[0]) 改为 int(p[0])
orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: (p[1], -ord(p[0])), reverse=True)]
updateTree(orderedItems,retTree,headerTable,count)
return retTree,headerTable
def updateTree(items,inTree,headerTable,count):
"""更新FP树,让FP树生长"""
# 判断项集中第一个元素项是否作为子节点存在,如果存在,更新该元素项的计数
if items[0] in inTree.children:
inTree.children[items[0]].inc(count)
else: # 不存在,则创建新的节点,并作为子节点添加到树中
inTree.children[items[0]] = treeNode(items[0],count,inTree)
# 更新头指针表,以指向新的节点
if headerTable[items[0]][1] == None:
headerTable[items[0]][1] = inTree.children[items[0]]
else:
updateHeadera(headerTable[items[0]][1], inTree.children[items[0]])
# 不断调用自身函数,每次调用会去掉列表中第一个元素
if len(items) > 1:
updateTree(items[1:],inTree.children[items[0]],headerTable,count)
def updateHeadera(nodeToTest,targetNode):
"""确保节点链接指向树中该元素项的每一个实例"""
# 从头指针表的nodeLink开始,一直沿着nodeLink直到到达链表末尾
while (nodeToTest.nodeLink != None):
nodeToTest = nodeToTest.nodeLink
nodeToTest.nodeLink = targetNode
2. 从一棵FP树中挖掘频繁项集
步骤:
- 从FP树中获得条件模式基;
- 利用条件模式基,构建一个条件FP树;
- 迭代重复步骤1-2,直到树包含一个元素项为止。
抽取条件模式基
条件模式基(conditional pattern base)是以所查询元素项为结尾的路径集合。每条路径其实都是一条前缀路径(prefix path)。总之,一条前缀路径是介于所查询元素项与树根节点之间的所有内容。
通过创建的头指针表来得到前缀路径。头指针表包含相同类型元素链表的起始指针。一旦到达了每一个元素项,就可以上溯这棵树直到根节点为止。
例如下图,元素"r"的前缀路径是{z}、{z,x,y}和{x,s}。同时,每一个路径要与起始元素的计数值关联 。
相关python代码如下
# 发现以给定元素项结尾的所有路径函数
def ascendTree(leafNode,prefixPath):
if leafNode.parent != None:
prefixPath.append(leafNode.name)
ascendTree(leafNode.parent,prefixPath)
def findPrefixPath(treeNode):
condPats = {}
while treeNode != None:
prefixPath = []
ascendTree(treeNode,prefixPath) # 迭代上溯整棵树
if len(prefixPath) > 1:
# 前缀路径对应的计数值
condPats[frozenset(prefixPath[1:])] = treeNode.count
treeNode = treeNode.nodeLink
return condPats
创建条件FP树
对于每一个频繁项,都要创建一棵条件树。上面我们对每一个频繁项提取了条件模式基,现在就用它作为输入数据,即把每一个前缀路径当成一个样本,调用createFPtree()构造一棵FP树,即条件FP树。然后,对这个条件FP树,递归地挖掘。由于createFPtree()中含有过滤的功能,因此最终总能获得所有满足最小支持度的频繁项,即我们所需要的频繁项集。
例如,为频繁项t创建一个条件FP树,然后对{t,x}、{t,y}、…重复该过程。以元素项t的条件FP树的构建过程如下图
# 递归查找频繁项集的mineTree
def mineTree(inTree,headerTable,minsup,preFix,freqItemList):
# 从头指针表的低端开始
# headerTable.items():类似[('z', [5, None]),('r', [3,None]]格式,所以按p[1][0]排序
bigL = [v[0] for v in sorted(headerTable.items(),key=lambda p:p[1][0])]
for basePat in bigL:
newFreqSet = preFix.copy()
newFreqSet.add(basePat) # set类型的用add方法添加
freqItemList.append(newFreqSet)
# 从条件模式基中构建条件FP树
condPattBase = findPrefixPath(headerTable[basePat][1])
myCondTree, myHead = createTree(condPattBase,minsup)
# 挖掘条件FP树
if myHead != None:
print('conditional tree for :',newFreqSet)
myCondTree.displayFPTree()
mineTree(myCondTree,myHead,minsup,newFreqSet,freqItemList)
实例测试
# 简单数据和数据包装器
def loadData():
simpDat = [['r','z','h','j','p'],
['z','y','x','w','v','u','t','s'],
['z'],
['r','x','n','o','s'],
['y','r','x','z','q','t','p'],
['y','z','x','e','q','s','t','m']]
return simpDat
def createInitSet(dataSet):
retDict = {}
for trans in dataSet:
retDict[frozenset(trans)] =1
return retDict
dataSet = loadData()
initSet = createInitSet(dataSet)
minsup=3
myFPTree,myheaderTable = createTree(initSet, minsup)
print('构建的FP树:')
myFPTree.displayFPTree()
freqItems = []
print("显示所有的条件树")
mineTree(myFPTree,myheaderTable,minsup,set([]),freqItems)
print('频繁项集:\n',freqItems)
由于对排序部分的脚本进行了修改,满足了“优先按频率排序,如果频率相同,则按字母顺序排序”。所以,下面的运行结果可能与上面画的FP树等不太一样。运行结果如下
频繁项集:
[{'r'}, {'s'}, {'x', 's'}, {'y'}, {'y', 'z'}, {'y', 'z', 'x'}, {'y', 'z', 'x', 't'}, {'y', 'z', 't'}, {'y', 'x'}, {'y', 'x', 't'}, {'y', 't'}, {'t'}, {'z', 't'}, {'z', 'x', 't'}, {'x', 't'}, {'x'}, {'z', 'x'}, {'z'}]
相关链接
书籍:《机器学习实战》