使用apriori算法进行关联分析
apriori原理:1、一个项集是非频繁的,那么它的所有超集也是非频繁的
2、一个项集是频繁的,那么它的所有子集也是频繁的
一、支持度(support)-使用apriori发现频繁项集
对于数据集(包含M个项集)
1、求单个元素组成项集的集合C1(无重复)
2、利用minsupport(最小支持度或非频繁)过滤掉非频繁的单元素项集,得L1
3、单个元素两两组合成2元素的项集的集合C2
4、利用minsupport(最小支持度或非频繁)过滤掉非频繁的2元素项集,得L2
5、利用2元素项集两两组合得3元素项集C3
6、利用minsupport(最小支持度或非频繁)过滤掉非频繁的3元素项集,得L3
7、重复上述过程
求支持度(过滤支持度)低的项集就是这样一个过程:
C1->L1->C2->L2->C3->L3->....->Ck->Lk
apriori的应用:
一个项集是非频繁的,那么它的所有超集也是非频繁的
要获得项集合并(每种可能集合)的支持度就需要多次重复上述过程,例如
由图可以看出,对于仅有4个物品的集合,也需要遍历15次,如果是100种呢?事实上,对于N种物品的数据集共有2^N - 1种项集组合,也就是说我们需要遍历2^N - 1次。
如上图,C2=[{0, 1}, {0, 2}, {0, 3}, {1, 2}, {1, 3}, {2, 3}],其中 {2, 3}是非频繁的,由apriori我们知道他的超集也是非频繁的,所以我们这里直接过滤掉非频繁的{2, 3}得到L2=[{0, 1}, {0, 2}, {0, 3}, {1, 2}, {1, 3}]
这时,由L2组合得到的C3就比由C2组合得到的C3少了两种可能(没有了{0, 2, 3}, {1, 2, 3}),也不存在C4了。如果放到更大的数据集种,apriori的效果将更加可观。
二、置信度(confidence)-从频繁项集挖掘关联规则
如果有一个关联规则{豆奶,莴苣},那么就可能有一条关联规则“豆奶-->莴苣”,这意味着如果有人买了豆奶,那么在统计上他会购买莴苣的概率比较大。但是,这一条反过来并不总是成立。也就是说,即使“豆奶-->莴苣”统计上显著,那么“莴苣-->豆奶”也不一定成立。
就比方说{啤酒,尿布}这个项集,“啤酒-->尿布”,我们说男人在下班后给孩子买尿布的同时,会顺手购买自己爱喝的啤酒。但是去买啤酒的男人,又有多少是刚有孩子的?这个概率是要小很多的。
类似于,上一节的频繁项集的生成,我们可以为每个频繁项集产生许多关联规则。
如果能够减少规则数目来确保问题的可解性,那么计算起来就会好很多。
apriori的应用:
如果某条规则并不能满足最小可信度要求,那么该规则的所有子集也不会满足最小可信度要求。
上图中,假设0, 1, 2-->3不满足最小可信度要求,那么就知道任何左部为{0, 1, 2}子集的规则也不会满足最小可信度要求。
算法过程:
对于频繁项集列表L:
[[{1}, {2}, {3}, {5}]
[{1, 3}, {2, 5}, {2, 3}, {3, 5} ]
[{2, 3, 5} ]]
生成关联规则_function():
遍历L:
计算规则右部只有单个元素的置信度(并过滤掉不满足最低置信度阈值的规则)
如果频繁项集中的元素个数有3个或更多
计算右部有2个、3个...len(freqSet)-1个元素的规则置信度
注意:
1、遍历L时从至少有2个元素的项集开始,只有一个元素,就不存在关联规则了
2、对每一个频繁项集freqSet,求只有单个元素的项集组成的列表H1,用H1作为规则右部
3、频繁项集元素个数有3个或3个以上时,用len(H1[0]) + 1作为递归变量,累加右部元素个数
4、apriori的应用:先求右部为单个元素的规则置信度,将不满足最低置信度阈值的0, 1, 2-->3剔除,这样,左部为{0, 1, 2}的所有子集的规则也直接被剔除不再计算。
5、修正书中一个我认为不正确的地方
这个函数中,书中代码在频繁项集个数大于2时,只计算了规则右部为两个或两个以上元素的情况,而漏算了规则右部只有一个元素的情况。
修正部分如下:
如理解有偏差,欢迎批评指正。
代码部分:
# !/usr/bin/env python
# -*- coding: utf-8 -*-
def loadData():
return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5, ], [2, 5]]
def createC1(dataSet):
"""
构建大小为1的所有候选项集的集合
:param dataSet:
:return:
"""
C1 = []
for transaction in dataSet:
for item in transaction:
if not [item] in C1:
C1.append([item])
C1.sort()
return list(map(frozenset, C1))
def scanD(D, Ck, minSupport):
"""
Ck中的元素经过最小支持度过滤得到Lk,和每个元素的支持度
:param D: 数据集
:param Ck:
:param minSupport: 最小支持度(过滤)
:return:
过程:
对数据集中的每条交易记录tran
对每个候选项集can:
检查一下can是否是tran的子集:
如果是:则增加can的计数值
如果不是:把can的值设为1
对每个候选项集:
如果其支持度不低于最小值,则保留该项集
返回所有频繁项集列表
"""
ssCnt = {}
for tid in D:
for can in Ck:
if can.issubset(tid):
if can not in ssCnt:
ssCnt[can] = 1
else:
ssCnt[can] += 1
numItems = float(len(D))
retList = []
supportData = {}
for key in ssCnt:
support = ssCnt[key] / numItems
if support >= minSupport:
retList.insert(0, key)
supportData[key] = support
return retList, supportData
def aprioriGen(Lk, k):
"""
合并频繁项集为k个元素
:param Lk: 频繁项集列表
:param k: 项集元素个数
:return:
"""
retList = []
lenLk = len(Lk)
for i in range(lenLk):
for j in range(i+1, lenLk):
# 每一个项集同其后面的项集做比较
# 如果前k-2个元素相同(取不到k-2),则合并为k个元素的项集,添加到retList中
L1 = list(Lk[i])[:k-2]
L2 = list(Lk[j])[:k-2]
L1.sort()
L2.sort()
if L1 == L2:
retList.append(Lk[i] | Lk[j])
return retList
def Apriori(dataSet, minSupport=0.5):
"""
:param dataSet: 数据集
:param minSupport: 最小支持度
:return:
过程:
C1->L1->C2->L2->C3->L3-> ... ->Ck->Lk
"""
# 单个物品项组成的集合
C1 = createC1(dataSet)
# 集合表示的数据集D
D = list(map(set, dataSet))
#
L1, supportData = scanD(D, C1, minSupport)
L = [L1]
k = 2
while len(L[k - 2]) > 0:
Ck = aprioriGen(L[k - 2], k)
Lk, supK = scanD(D, Ck, minSupport)
supportData.update(supK)
L.append(Lk)
k += 1
return L, supportData
def calcConf(freqSet, H, supportData, bigRuleList, minConf=0.7):
"""
从频繁项集freqSet,计算关联规则(freqSet - H) --> H的置信度
并过滤置信度低于最小置信度阈值的规则
:param freqSet: 频繁项集
:param H: 出现在规则右部
:param supportData: 支持度字典
:param bigRuleList: 关联规则列表
:param minConf: 最小置信度阈值
:return: 满足最小可信度要求的规则列表
"""
# 初始化满足最小可信度要求的规则列表
prunedH = []
for conseq in H:
conf = supportData[freqSet] / supportData[freqSet - conseq]
if conf >= minConf:
print(freqSet-conseq, "-->", conseq, "conf : ", conf)
bigRuleList.append((freqSet - conseq, conseq, conf))
# 与bigRuleList对应的置信度值列表
prunedH.append(conseq)
return prunedH
def rulesFromConseq(freqSet, H, supportData, bigRuleList, minConf=0.7):
"""
由于freqSet中的元素个数大于等于3,计算规则的右部为多个元素的情形
:param freqSet: 频繁项集
:param H: 出现在规则右部的元素列表
:param supportData: 支持度列表
:param bigRuleList: 关联规则列表
:param minConf: 最小置信度阈值
:return:
"""
m = len(H[0])
# m + 1,其实示一个递归变量,递归地增加右部元素个数
if len(freqSet) > (m + 1):
# 合并元素,任意组合成m+1个元素的项集
Hmp1 = aprioriGen(H, m + 1)
# 过滤关联规则(freqSet - Hmp1) --> Hmp1的置信度小于最小置信度阈值的规则
# 规则右部有m + 1个元素
Hmp1 = calcConf(freqSet, Hmp1, supportData, bigRuleList, minConf)
# 递归累加右部元素个数
if len(Hmp1) > 1:
rulesFromConseq(freqSet, Hmp1, supportData, bigRuleList, minConf)
else:
# 当右部元素个数和频繁项集freqSet的长度一样时,不再划分,返回
return
def generateRules(L, supportData, minConf=0.7):
"""
基于给定的频繁项集L和支持度supportData,计算满足最小支持度阈值的规则
:param L: 频繁项集列表
:param supportData: 包含那些频繁项集支持数据的字典
:param minConf: 最小置信度阈值
:return: 包含可信度的规则列表
"""
# 初始化规则存放列表
bigRuleList = []
# 遍历频繁项集
for i in range(1, len(L)):
#
for freqSet in L[i]:
# 只包含单个元素集合的列表H1
H1 = [frozenset([item]) for item in freqSet]
# 过滤关联规则(freqSet - H1) --> H1的置信度小于最小置信度阈值的规则
# H1是右部为单个元素的情形
H1 = calcConf(freqSet, H1, supportData, bigRuleList, minConf)
if i > 1:
# 如果频繁项集中元素个数大于等于3,就需要考虑右部为多个元素的情形
rulesFromConseq(freqSet, H1, supportData, bigRuleList, minConf)
return bigRuleList
dataSet = loadData()
L, supportData = Apriori(dataSet)
rules = generateRules(L, supportData, minConf=0.7)
print(rules)