在关联规则挖掘领域最经典的算法法是Apriori，其致命的缺点是需要多次扫描事务数据库。于是人们提出了各种裁剪（prune）数据集的方法以减少I/O开支，韩嘉炜老师的FP-Tree算法就是其中非常高效的一种。
我们举个例子来详细讲解FP-Tree算法的完整实现。
事务数据库如下，一行表示一条购物记录：
牛奶，鸡蛋，面包，薯片
鸡蛋，爆米花，薯片，啤酒
鸡蛋，面包，薯片
牛奶，鸡蛋，面包，爆米花，薯片，啤酒
牛奶，面包，啤酒
鸡蛋，面包，啤酒
牛奶，面包，薯片
牛奶，鸡蛋，面包，黄油，薯片
牛奶，鸡蛋，黄油，薯片
我们的目的是要找出哪些商品总是相伴出现的，比如人们买薯片的时候通常也会买鸡蛋，则[薯片，鸡蛋]就是一条频繁模式（frequent pattern）。
FP-Tree算法第一步：扫描事务数据库，每项商品按频数递减排序，并删除频数小于最小支持度MinSup的商品。（第一次扫描数据库）
薯片:7 鸡蛋:7 面包:7 牛奶:6 啤酒:4 （这里我们令MinSup=3）
以上结果就是频繁1项集，记为F1。
第二步：对于每一条购买记录，按照F1中的顺序重新排序。（第二次也是最后一次扫描数据库）
薯片,鸡蛋,面包,牛奶
薯片,鸡蛋,啤酒
薯片,鸡蛋,面包
薯片,鸡蛋,面包,牛奶,啤酒
面包,牛奶,啤酒
鸡蛋,面包,啤酒
薯片,面包,牛奶
薯片,鸡蛋,面包,牛奶
薯片,鸡蛋,牛奶
第三步：把第二步得到的各条记录插入到FP-Tree中。
插入每一条（薯片,鸡蛋,面包,牛奶）之后
插入第二条记录（薯片,鸡蛋,啤酒）
插入第三条记录（面包,牛奶,啤酒）
估计你也知道怎么插了，最终生成的FP-Tree是：
树中相同名称的节点要链接起来，后面的算法要用到。
第四步：从FP-Tree中找出频繁项。
遍历F1中的每一项（我们拿“牛奶：6”为例），对于各项都执行以下（1）到（5）的操作：
（1）从FP-Tree中找到所有的“牛奶”节点，向上遍历它的祖先节点，得到4条路径：
薯片：7，鸡蛋：6，牛奶：1
薯片：7，鸡蛋：6，面包：4，牛奶：3
薯片：7，面包：1，牛奶：1
面包：1，牛奶：1
对于每一条路径上的节点，其count都设置为牛奶的count
薯片：1，鸡蛋：1，牛奶：1
薯片：3，鸡蛋：3，面包：3，牛奶：3
薯片：1，面包：1，牛奶：1
面包：1，牛奶：1
因为每一项末尾都是牛奶，可以把牛奶去掉，得到条件模式基（Conditional Pattern Base,CPB）
薯片：1，鸡蛋：1
薯片：3，鸡蛋：3，面包：3
薯片：1，面包：1
面包：1
（2）我们把上面的结果当作原始的事务数据库，对于进行每一步和第二步的处理，得到条件FP-Tree
（3）从树中找到所有的长路径
（薯片：4，面包：4，鸡蛋：3）
（薯片：1，鸡蛋：1）
（面包：1）
（4）对于（3）中的每一条路径找出所有的组合方式
第一条：（薯片：4）（面包：4）（鸡蛋：3）（薯片：3，鸡蛋：3）（面包：3，鸡蛋：3）（薯片：4，面包：4）（薯片：3，面包：3，鸡蛋：3）
第二条：（薯片：1）（鸡蛋：1）（薯片：1，鸡蛋：1）
第三条：（面包：1）
每一个组合中的count要一致，都取最小的那一项。
然后把三条得到的组合合并到一起，合并的方法是：对于序列相同的组合，其count相加。比如第一条中的（面包：4）和第三条中的（面包：1）合并后成为（面包：5）,而第一条中的（薯片：3，鸡蛋：3）和第二条中的（薯片：1，鸡蛋：1）合并后成为（薯片：4，鸡蛋：4）。最后删除count小于MinSup的组合。只剩下：
面包:4 薯片:4
薯片:5
鸡蛋: 4
鸡蛋: 3 面包:3
鸡蛋: 4 薯片:4
鸡蛋: 3 面包:3 薯片: 3
面包: 5
（5）与“牛奶”合并，得到频繁项集
面包 薯片 牛奶 4
薯片 牛奶 5
鸡蛋 牛奶 4
鸡蛋 面包 牛奶 3
鸡蛋 薯片 牛奶 4
鸡蛋 面包 薯片 牛奶 3
面包 牛奶 5
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
