Fpgrowth /FP Tree算法原理总结(附测试代码)

已于 2023-10-25 15:14:09 修改
阅读量1.3k 收藏 10
点赞数 2
分类专栏： # 算法原理 文章标签： 算法 python 人工智能
于 2023-08-24 18:19:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Lian_Ge_Blog/article/details/132480185
版权

引言

  • Fpgrowth算法又叫fp tree，通俗来讲是计算特征之间关联程度的，Fp树是其核心
    • FP树（Frequent Pattern Tree）是一种用于高效挖掘频繁项集的数据结构。它通过将事务数据集转换为一棵树形结构来实现，其中每个节点表示一个项，每个路径表示一个事务。
    • 如下图，事物就是列，项就是行数据，更通俗的理解就是事物大概对应的就是序号，编号，项就是序号对应的每行数据(如果感觉抽象可以往下看详解时候的例子)

算法详解

基本步骤：

  • 1 扫描一次事物集，找出频繁1项集，并按频度降序排列得到列表L。
  • 2 基于L，再扫描一次事务集，对每个原事务进行处理：删去不在L中的项，并按照L中的顺序排列，得到修改后的事务集T’。
  • 3 构造FP树
  • 4 在FP树上递归地找出所有频繁项集
    • 注1：左边就是数据，其中a b c d都是表示特征，项就是这些特征的组合； 然后需要找出频繁 1 项集，啥意思呢，通俗解释就是，比如下图中{A:8}集合离只有一个键值对就是 1 项集，几个键值对就是几项集，这个 1 项集其实就是特征在事物中总共出现的次数
    • 注2： 得到每个特征的出现次数进行降序排列，并根据支持度(就是特征出现次数/总特证数)筛选不符合支持度的特征得到项头表，也就是 L(可以看到O，I 不满足所以不在 L 中)
    • 注3： 根据 L 得到修改后的事物集T‘，其实就是去掉了项特征不在 L 表中的特征

建立 FP Tree

  • 此处是理解的一个难点之一，看下图
  • 首先我们根据 T’还有项头表来建立节点，可以理解成画树的分叉，比如第一条数据 ACEBF(因为 ACEBF 目前都只出现了一次，所以第一条分叉只有一条，此为根节点)：
  • 然后插入第二条数据 ACG，因为第一条数据中已经有AC项了，所以第一条分支上的 AC都+1，而 G 是没有的，所以建立一个新节点
  • 同理插入剩余数据(此处详细每条数据插入后的图片可以点击参考资料 1)

…

  • 最终建立的 Fp 树如下图

FP tree 的挖掘

  • 建立好 fp tree 后就该挖掘频繁项集了，此处也是一个难点，或者说是比较容易一头雾水的地方
  • 例如我们先找特征 F 相关的节点，如下图所示，左边就是所有 F 相关的分叉和节点了，中间这个 F 的条件模式基听起来过于拗口难以理解，可以这么来理解
    • 首先左侧的分叉只有一条，那就是 ACEGBF，那么在上面的 T‘事物集数据中，以ACEGBF这样的顺序的数据只有： 第一条ACEBF，倒数第四条ACEBF，那么就得到了下图中 F 的条件模式基表格对应的特征与数字，
      • 得到频繁 2 项集有(这里其实就是排列组合)：{ A:2,F:2},{ C:2,F:2},{ E:2,F:2},{ B:2,F:2}
      • 同样方法，频繁3 项集{A:2,C:2,F:2}{A:2,E:2,F:2}{A:2,B:2,F:2}{C:2,E:2,F:2}{C:2,B:2,F:2}{E:2,B:2,F:2}
      • 同样的组合方式得到其他频繁项集，最高到频繁 5 项集
  • 假如分叉有两条呢？比如 D 节点两个分叉，一个是 ACD 分叉，一个是 ACEGD分叉，同理，ACD 分叉的有倒数第三条数据 ACD，ACEGD分叉只有第四条数据 ACEGD，那么两个分叉汇总后得到{A:2, C:2,E:1 G:1,D:1, D:1}，此处还要筛选一下，因为 D 节点相关分叉上 E，G节点支持度小于 20%(类似上面删除特征O，I 一样，根据支持度筛选)，所以得到了下图中的 D 的条件模式基，同样的方式求得 D 的所有频繁项集
  • 其他的节点与上面两种情况同理，加入有三个分叉，多个分叉的都是同理可得到各个节点的频繁项集
  • 注意，A 节点的条件模式基为空，所以不需要再求了(上述节点依然不包含全部过程，详细过程见上面参考资料 1)

代码部分：

  • 代码部分除了得到频繁项集与上面介绍一致外，还包含了关联规则，通俗理解就是频繁项集只是得到了不同的特征组合，但是这个特征组合关联性强弱，需要生成关联规则以及指标来确定，从而拿到符合要求的特征组合
  • association_rules函数生成规则，具体用法下一篇文章介绍
  • mlxtend 中fpgrowth 的函数参数介绍链接点击
    • 简单理解参数min_support其实就是上面那个支持度，use_colnames是因为 df 处理的时候用序号表示的列名，该参数还原还原的列名，具体可看上面官网例子
  • 测试数据此处放部分，足以生成结果
"京东,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,抖音火山版,支付宝,美团,饿了么"
"七猫免费小说,京东,今日头条,今日头条极速版,唯品会,墨迹天气,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,支付宝,爱奇艺,番茄免费小说,美团,饿了么"
"UC浏览器,七猫免费小说,京东,今日头条,今日头条极速版,墨迹天气,小红书,快手,快手极速版,手机天猫,手机淘宝,抖音,抖音火山版,搜狐视频,支付宝,番茄免费小说,美团,西瓜视频,饿了么"
"京东,墨迹天气,小红书,快手,手机淘宝,抖音,支付宝,爱奇艺,美团"
"MOMO陌陌,QQ阅读,京东,京东金融,优酷视频,小红书,快手极速版,懂车帝,手机淘宝,抖音,抖音极速版,抖音火山版,探探,支付宝,番茄免费小说,番茄畅听,美团,菜鸟裹裹,西瓜视频,饿了么"
"小红书,快手极速版,手机淘宝,抖音,支付宝,番茄免费小说,番茄畅听,西瓜视频"
"优酷视频,小红书,快手,快手极速版,抖音极速版,支付宝,番茄免费小说,西瓜视频"
"UC浏览器,七猫免费小说,今日头条,今日头条极速版,优酷视频,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,抖音火山版,搜狐视频,支付宝,洋葱学园,爱奇艺,番茄免费小说,美团,西瓜视频"
"MOMO陌陌,Soul,UC浏览器,京东,今日头条,今日头条极速版,优酷视频,小红书,快手,快手极速版,手机淘宝,抖音极速版,抖音火山版,搜狐视频,洋葱学园,番茄免费小说,西瓜视频,饿了么"
"七猫免费小说,京东,优酷视频,小红书,平安口袋银行,手机淘宝,抖音,抖音极速版,支付宝,爱奇艺,番茄免费小说,芒果TV,饿了么"
"优酷视频,小红书,快手,手机淘宝,抖音,支付宝,美团"
"YY,京东,唯品会,小红书,快手,快手极速版,懂车帝,手机淘宝,抖音,支付宝,爱奇艺,番茄免费小说,美团,饿了么"
"京东,京东金融,小红书,快手,手机淘宝,抖音,探探,支付宝,美团,菜鸟裹裹,起点读书"
"京东,今日头条,小红书,快手,手机淘宝,抖音,支付宝,美团"
"UC浏览器,京东,今日头条,墨迹天气,小红书,手机淘宝,抖音,支付宝,番茄免费小说,美团,芒果TV"
"小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,支付宝,番茄畅听,饿了么"
"得间免费小说,快手极速版,手机淘宝,支付宝,番茄免费小说"
"LOFTER,Soul,京东,今日头条,优酷视频,唯品会,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,番茄免费小说,饿了么"
"Soul,七猫免费小说,今日头条,今日头条极速版,优酷视频,小红书,快手,快手极速版,手机淘宝,抖音,搜狐视频,支付宝,番茄畅听,西瓜视频"
"京东,小红书,手机淘宝,抖音,支付宝"
"Soul,UC浏览器,七猫免费小说,京东,今日头条,今日头条极速版,优酷视频,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,搜狐视频,爱奇艺,番茄畅听,西瓜视频,飞猪"
"小红书,快手极速版,手机淘宝,抖音,支付宝,番茄免费小说,美团,芒果TV,西瓜视频,饿了么"
"MOMO陌陌,京东,今日头条,唯品会,小红书,快手,手机淘宝,抖音,支付宝,番茄免费小说"
"YY,小红书,快手,快手极速版,手机淘宝,抖音,支付宝,西瓜视频"
"UC浏览器,京东,今日头条极速版,优酷视频,哔哩哔哩漫画,唯品会,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,抖音火山版,搜狐视频,支付宝,番茄畅听,腾讯动漫,西瓜视频,饿了么"
"UC浏览器,京东,今日头条,今日头条极速版,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,抖音火山版,支付宝,西瓜视频"
"小红书,抖音,支付宝"
"京东,今日头条,今日头条极速版,优酷视频,小红书,快手,快手极速版,抖音,支付宝,爱奇艺,美团,芒果TV,花小猪打车,西瓜视频,饿了么"
"京东,今日头条,小红书,快手,手机淘宝,抖音,支付宝,番茄畅听"
"Soul,京东,京东金融,今日头条,分期乐,快手,手机淘宝,抖音,搜狐视频,支付宝,爱奇艺,番茄畅听,美团,西瓜视频,饿了么"
"MOMO陌陌,Soul,七猫免费小说,京东,今日头条,今日头条极速版,优酷视频,唯品会,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,支付宝,番茄免费小说,番茄畅听,西瓜视频,起点读书"
"小红书,快手,手机淘宝,抖音,支付宝,滴滴车主,美团"
"优酷视频,墨迹天气,小红书,快手,手机淘宝,抖音,支付宝"
"小红书,快手,抖音,抖音火山版"
"UC浏览器,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,支付宝"
"京东,今日头条,优酷视频,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,抖音火山版,搜狐视频,支付宝,洋葱学园,番茄免费小说,西瓜视频"
"KEEP,小红书,手机淘宝,抖音,支付宝,爱奇艺,美团,菜鸟裹裹"
"UC浏览器,七猫免费小说,中华万年历,京东,今日头条,今日头条极速版,优酷视频,小红书,快手,快手极速版,手机天猫,手机淘宝,抖音,抖音火山版,搜狐视频,爱奇艺,番茄免费小说,番茄畅听,西瓜视频"
"KEEP,京东,今日头条,优酷视频,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,支付宝,爱奇艺,美团,芒果TV,西瓜视频,饿了么"
"京东,优酷视频,小红书,手机淘宝,抖音,抖音极速版,支付宝,爱奇艺"
"京东,小红书,手机淘宝,抖音,抖音极速版,支付宝"
"京东,优酷视频,快手极速版,手机淘宝,抖音极速版,抖音火山版,支付宝,西瓜视频,饿了么"
"优酷视频,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,支付宝,滴滴车主,美团"
"小红书,手机淘宝,抖音,支付宝"
"MOMO陌陌,Soul,京东,小红书,快手,手机淘宝,抖音,探探,支付宝,芒果TV"
"京东金融,今日头条极速版,小红书,快手,快手极速版,抖音,抖音极速版,支付宝"
"UC浏览器,七猫免费小说,京东,今日头条,优酷视频,唯品会,小红书,懂车帝,手机淘宝,抖音,抖音极速版,搜狐视频,番茄免费小说,番茄畅听,西瓜视频"
"京东,小红书,快手,手机淘宝,抖音,番茄畅听,西瓜视频"
"Soul,京东,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,抖音火山版,支付宝,美团,西瓜视频"
"京东,今日头条,小红书,快手,快手极速版,手机淘宝,抖音,抖音极速版,支付宝,番茄免费小说,西瓜视频"

# -*- coding: utf-8 -*-
import pandas as pd
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import fpgrowth, association_rules
# 示例的交易数据
# 读取 CSV 文件
with open('./test2.csv', 'r') as f:
    dataset = [line.strip().split(',') for line in f]

# 将数据转化为one-hot编码形式
te = TransactionEncoder()

# 使用编码器转换交易数据
te_ary = te.fit(dataset).transform(dataset)

# 将转换后的数据放入 DataFrame
df = pd.DataFrame(te_ary, columns=te.columns_)

# 使用FP-Growth找出频繁项集
frequent_itemsets = fpgrowth(df, min_support=0.5, use_colnames=True)

# 生成关联规则
rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.5)

# 输出的 rules DataFrame 包含了关联规则以及每条规则的支持度（support）、置信度（confidence）和提升度（lift）等度量。
print(rules)
print(frequent_itemsets)
# 输出频繁项集到 CSV 文件
frequent_itemsets.to_csv('frequent_itemsets2.csv', index=False)

# 输出关联规则到 CSV 文件
rules.to_csv('rules2.csv', index=False)

结尾

  • 关于该算法的一些个人理解可能存在错误，仅供参考，本文更像是对参考资料的个人理解来加深记忆，可以优先看参考资料某些不懂的地方本文可能有所帮助。
矮人三等
关注
  • 2
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
FPTree算法论文
10-25
FP-growth算法(Frequent Pattern-growth)使用了一种紧缩的数据结构来存储查找频繁项集所需要的全部信息。采用算法：将提供频繁项集的数据库压缩到一棵FP-tree来保留项集关联信息，然后将压缩后的数据库分成一组条件数据库（一种特殊类型的投影数据库），每个条件数据库关联一个频繁项集。
FP算法源代码
10-09
频繁项集挖掘 FP 算法的源代码 Mining Frequent Patterns without Candidate Generation Jiawei Han jian pei YiWei Yin
FP-Growth算法全解析：理论基础与实战指导
sdgfafg_25的博客
11-23 1087
频繁项集是一个包含在多个事务中频繁出现的项（或物品）集合。例如，在购物篮分析中，「牛奶」和「面包」经常一起购买，因此{'牛奶', '面包'}就是一个频繁项集。关联规则挖掘是一种在大量事务数据中找出有趣关系或模式的方法。这种“有趣的关系”通常是指项之间的关联或者条件依赖关系。例如，在销售数据中，购买了“电视”通常也会购买“遥控器”，形成如下关联规则："电视 -> 遥控器"。在本篇博客中，我们全面地探讨了FP-Growth算法，从其基本原理和数学模型到实际应用和Python代码实现。
FP-growth算法——原理
jmhIcoding
10-20 4380
FP-growth算法之前我们已经可以使用Apriori算法来在一个数据集里面找出那些支持度较高的元素组合，我们来回顾一下Apriori算法的核心。 Apriori算法的核心其实就是分三步： 1.在现有组合的基础上，生成可能的元素组合类型 2.遍历数据集，求得这些元素组合的支持度（频率） 3.剪枝，除去支持度不符合条件的组合。 这三步迭代即可。其中在
（关联分析）FP-growth算法
最新发布
weixin_44721415的博客
04-09 1598
FP树（Frequency Pattern Tree）算法是一种用于挖掘频繁项集的算法，它通过构建一种特殊的数据结构来压缩数据库中的信息，从而加快频繁项集的挖掘过程。FP-growth算法只需要对数据集进行两次遍历。而Apriori算法对于每个潜在的频繁项集都会扫描数据集判定给定的模式是否频繁，因此FP-growth算法要比Apriori算法快。
机器学习实战（十一）FP-growth算法
陌若安生的博客
08-23 5555
文章目录前言一、FP-growth算法简介二、FP-growth算法步骤三、FP-growth算法数据结构四、FP-growth算法原理（基于代码案例）五、FP-growth算法总结: 前言 频繁项集挖掘算法用于挖掘经常一起出现的item集合（称为频繁项集），通过挖掘出这些频繁项集，当在一个事务中出现频繁项集的其中一个item，则可以把该频繁项集的其他item作为推荐。比如经典的购物篮分析中啤酒、...
FP-growth算法原理解析
欢迎订阅 -- 小源笔迹
10-15 5995
FP-growth算法(FP, Frequent Pattern) FP-growth算法只需要对数据库进行两次扫描。而Apriori算法对于每个潜在的频繁项集都会扫描数据集判定给定的模式是否频繁，因此FP-growth算法要比Apriori算法快。 FP-growth算法只需要扫描两次数据集，第一遍对所有数据元素出现次数进行计数，第二遍只需考虑那些频繁的元素。发现频繁项集的基本过程分为两步，构建FP树和从FP树中挖掘频繁项集。 简单来说，算法的目的就是在多个出现的数据项中找到出现次数最多的数据项或者
FP-growth算法基本概念和原理解析
热门推荐
罗小辉的专栏
01-09 1万+
基本概念 和Apriori算法相比，FP-growth算法只需要对数据库进行两次遍历，从而高效发现频繁项集。 FP-growth算法是基于Apriori原理的，通过将数据集存储在FP（Frequent Pattern)树上发现频繁项集，但不能发现数据之间的关联规则。FP-growth算法只需要对数据库进行两次扫描，而Apriori算法在求每个潜在的频繁项集时都需要扫描一次数据集，所以FP-gr
关联规则 Association rules
樊鴻燁的博客
08-28 5504
Association rules什么是关联规则定义介绍关联规则算法 什么是关联规则  在数据挖掘中，最终的结果就是要大量的数据中通过算法搜索隐藏于其中信息，有点“在人群中低头找黄金”的意思，那么关联规则(Association Rules)是反映一个事物与其他事物之间的相互依存性和关联性，是数据挖掘的一个重要技术，用于从大量数据中挖掘出有价值的数据项之间的相关关系。废话太多，简单的理解就是 从数据集中寻找物品之间的隐含关系，这种关系并没有在数据中直接表示出来。 定义介绍   关联规则有一个特别经典的故事：
FP_Growth算法案例讲解和演示
08-17
首先，"FP-tree算法的演示文本"会详细解释FP_tree数据结构。FP_tree（频繁模式树）是FP_Growth的核心，它是一个倒置的树形结构，用于存储数据集中频繁项集的压缩表示。每个内部节点代表一个项目，叶节点则对应于交易...
图解FPGrowth 算法
04-23
本文将通过图解的方式深入解析FPGrowth算法的原理和实现过程。 **二、关联规则挖掘** 关联规则挖掘是数据挖掘的一个重要分支，其目的是发现数据库中项集之间的有趣关系，如“购买尿布的顾客也经常购买啤酒”。FP...
fpGrowth算法
05-16
FPGrowth算法主要分为两个步骤：FP-tree构建、递归挖掘FP-tree。FP-tree构建通过两次数据扫描，将原始数据中的事务压缩到一个FP-tree树，该FP-tree类似于前缀树，相同前缀的路径可以共用，从而达到压缩数据的目的。接着通过FP-tree找出每个item的条件模式基、条件FP-tree，递归的挖掘条件FP-tree得到所有的频繁项集
FPGROWTH算法
09-18
java描述的FPGROWTH算法，网上找到的。
FP-Growth算法python实现（完整代码）
07-04
包含两个文件，一个是刚构造好FP-tree的代码，另一个是FP-Growth算法python实现的完全代码。更多的介绍请见博客：http://blog.csdn.net/bone_ace/article/details/46746727
fptree源码，c语言描述
04-26
用c语言描写的fptree源码，关于人口问题的挖掘，，，
fp_tree代码
03-27
利用C语言开发的fp树，可以进行简单的数据挖掘
FP-growth算法python实现
04-01
在这个Python实现中，我们将会深入探讨FP-growth的基本原理、Python代码实现以及它如何与FP树数据结构结合来提高效率。 **FP-growth算法概述** FP-growth算法由Hui Han和 Jiawei Han在2000年提出，它的主要优点在于...
C++版的fp-growth算法
10-22
在提供的文件中，`www.pudn.com.txt`可能包含了数据集，而`fpgrowth`可能是一个源代码文件，实现了FP-Growth算法。阅读和理解这个源代码，可以深入学习如何在实际项目中应用C++实现的FP-Growth算法。 **应用场景** ...
关联规则fpgrowthc、c#和matlab算法附讲解文档
08-23
关联规则挖掘是一种在数据挖掘领域广泛应用的技术，它用于发现数据集中项集...通过这些源代码，学习者可以深入理解FP-growth算法的细节，同时也可以对比不同编程语言在实现同一算法时的差异，提升编程和数据挖掘技能。
fpgrowth算法代码
01-07
fpgrowth算法是一种用于频繁项集挖掘的常用算法，它的主要思想是基于Apriori算法的改进，通过构建FP树（频繁模式树）来高效地发现频繁项集。下面是fpgrowth算法的代码示例： ```python class TreeNode: def __init__(self, name, count, parent): self.name = name # 项的名称 self.count = count # 计数 self.nodeLink = None # 指向相似节点的指针 self.parent = parent # 指向父节点 self.children = {} # 子节点 def createFPTree(dataSet, minSup): headerTable = {} for trans in dataSet: for item in trans: headerTable[item] = headerTable.get(item, 0) + dataSet[trans] for k in list(headerTable.keys()): if headerTable[k] < minSup: del(headerTable[k]) freqItemSet = set(headerTable.keys()) if len(freqItemSet) == 0: return None, None for k in headerTable: headerTable[k] = [headerTable[k], None] retTree = TreeNode('Null Set', 1, None) for tranSet, count in dataSet.items(): localD = {} for item in tranSet: if item in freqItemSet: localD[item] = headerTable[item][0] if len(localD) > 0: orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: p[1], reverse=True)] updateTree(orderedItems, retTree, headerTable, count) return retTree, headerTable def updateTree(items, inTree, headerTable, count): if items[0] in inTree.children: inTree.children[items[0]].inc(count) else: inTree.children[items[0]] = TreeNode(items[0], count, inTree) if headerTable[items[0]][1] == None: headerTable[items[0]][1] = inTree.children[items[0]] else: updateHeader(headerTable[items[0]][1], inTree.children[items[0]]) if len(items) > 1: updateTree(items[1:], inTree.children[items[0]], headerTable, count) def ascendTree(leafNode, prefixPath): if leafNode.parent != None: prefixPath.append(leafNode.name) ascendTree(leafNode.parent, prefixPath) def findPrefixPath(basePat, treeNode): condPats = {} while treeNode != None: prefixPath = [] ascendTree(treeNode, prefixPath) if len(prefixPath) > 1: condPats[frozenset(prefixPath[1:])] = treeNode.count treeNode = treeNode.nodeLink return condPats def mineTree(inTree, headerTable, minSup, preFix, freqItemList): bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p: p[1])] for basePat in bigL: newFreqSet = preFix.copy() newFreqSet.add(basePat) freqItemList.append(newFreqSet) condPattBases = findPrefixPath(basePat, headerTable[basePat][1]) myCondTree, myHead = createFPTree(condPattBases, minSup) if myHead != None: mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList) dataSet = {frozenset(['e', 'a', 'c', 'd', 'f', 'g', 'm', 'p']): 1, frozenset(['a', 'b', 'c', 'f', 'l', 'm', 'o']): 1, frozenset(['b', 'f', 'h', 'j', 'o']): 1, frozenset(['b', 'c', 'k', 's', 'p']): 1, frozenset(['a', 'f', 'c', 'e', 'l', 'p', 'm', 'n']): 1} tree, headerTable = createFPTree(dataSet, 3) freqItems = [] mineTree(tree, headerTable, 3, set([]), freqItems) print(freqItems) ``` 上面是一个简单的Python实现的fpgrowth算法的代码示例，通过构建FP树来高效地发现频繁项集，并输出频繁项集。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

矮人三等

秀儿，是你吗秀儿？

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值