认识Apriori算法
Apriori算法属于关联规则算法,关联规则分析也称之为购物篮分析,最早是为了发现超市销售数据库中不同的商品之间的关联分析。Apriori算法是最经典的挖掘频繁项集的算法。在学习Apriori算法之前需要先了解几个概念。关联规则:项集A、B同时发生的概率称为关联规则的支持度。项集A发生,则项集B发生的概率为关联规则的置信度。同时有最小支持度和最小置信度的概念,和频繁项集的概念。
Apriori算法的核心思想
通过连接产生候选项及其支持度然后通过剪枝生成频繁项集。Apriori算法是找出存在于事务数据集中的最大的频繁项集,再利用得到的最大频繁项集与预先设定的最小置信度阈值生成强关联规则。
Apriori的性质
频繁项集的所有非空子集也必须是频繁项集。即我们可以得出:向不是频繁项集I的项集中添加事务A,新的项集IUA(项集A与项集I的并集)一定不是频繁项集。
Apriori算法实现的两个过程
- 找出所有的频繁项集(支持度必须大于等于给定的最小支持度阈值),在这个过程中连接步和剪枝步相互融合,最终得到最大频繁项集Lk。
连接步:
连接步的目的是找到K项集。对给定的最小支持度阈值,分别对1项候选集C1,剔除小于该阈值的项集得到1项频繁集L1;下一步由L1自身连接产生2项候选集C2,保留C2中满足约束条件的项集得到2项频繁集,记为L2;再下一步由L2与L3连接产生3项候选集C3,保留C2中满足约束条件的项集得到3项频繁集,记为L3…这样循环下去,得到最大的频繁项集Lk。
剪枝步:
剪枝步紧接着连接步,在产生候选项Ck的过程中起到减小搜索空间的目的。由于Ck是Lk-1与L1连接产生的,根据Apriori的性质频繁项集的所有非空子集也必须是频繁项集,所以不满足该性质的项集不会存在与Ck中,该过程就是剪枝。 - 由频繁项集产生强关联规则:由过程①可知未超过预定的最小支持度阈值的项集已被剔除,如果剩下这些规则又满足了预定的最小置信度阈值,那么就挖掘出了强关联规则。
代码实现过程:
- 首先编写Apriori算法的函数apriori.py
from __future__ import print_function
import pandas as pd
#自定义连接函数,用于实现L_{k-1}到C_k的连接
def connect_string(x, ms):
x = list(map(lambda i:sorted(i.split(ms)), x))
l = len(x[0])
r = []
for i in range(len(x)):
for j in range(i,len(x)):
if x[i][:l-1] == x[j][:l-1] and x[i][l-1] != x[j][l-1]:
r.append(x[i][:l-1]+sorted([x[j][l-1],x[i][l-1]]))
return r
#寻找关联规则的函数
def find_rule(d, support, confidence, ms = u'--'):
result = pd.DataFrame(index=['support', 'confidence']) #定义输出结果
support_series = 1.0*d.sum()/len(d) #支持度序列
column = list(support_series[support_series > support].index) #初步根据支持度筛选
k = 0
while len(column) > 1:
k = k+1
print(u'\n正在进行第%s次搜索...' %k)
column = connect_string(column, ms)
print(u'数目:%s...' %len(column))
sf = lambda i: d[i].prod(axis=1, numeric_only = True) #新一批支持度的计算函数
#创建连接数据,这一步耗时、耗内存最严重。当数据集较大时,可以考虑并行运算优化。
d_2 = pd.DataFrame(list(map(sf,column)), index = [ms.join(i) for i in column]).T
support_series_2 = 1.0*d_2[[ms.join(i) for i in column]].sum()/len(d) #计算连接后的支持度
column = list(support_series_2[support_series_2 > support].index) #新一轮支持度筛选
support_series = support_series.append(support_series_2)
column2 = []
for i in column: #遍历可能的推理,如{A,B,C}究竟是A+B-->C还是B+C-->A还是C+A-->B?
i = i.split(ms)
for j in range(len(i)):
column2.append(i[:j]+i[j+1:]+i[j:j+1])
cofidence_series = pd.Series(index=[ms.join(i) for i in column2]) #定义置信度序列
for i in column2: #计算置信度序列
cofidence_series[ms.join(i)] = support_series[ms.join(sorted(i))]/support_series[ms.join(i[:len(i)-1])]
for i in cofidence_series[cofidence_series > confidence].index: #置信度筛选
result[i] = 0.0
result[i]['confidence'] = cofidence_series[i]
result[i]['support'] = support_series[ms.join(sorted(i.split(ms)))]
result = result.T.sort_values(['confidence','support'], ascending = False) #结果整理,输出
print(u'\n结果为:')
print(result)
return result
2.再定义一个执行测试函数test_apriori.py:
from __future__ import print_function
import pandas as pd
from apriori import * #导入自行编写的apriori函数
inputfile = './data/menu_orders.xls'
outputfile = 'F:\\apriori_rules.xls' #结果文件
data = pd.read_excel(inputfile, header = None)
print(u'\n转换原始数据至0-1矩阵...')
ct = lambda x : pd.Series(1, index = x[pd.notnull(x)]) #转换0-1矩阵的过渡函数
b = map(ct, data.values) #用map方式执行
data = pd.DataFrame(list(b)).fillna(0) #实现矩阵转换,空值用0填充
del b #删除中间变量b,节省内存
support = 0.2 #最小支持度
confidence = 0.5 #最小置信度
ms = '---' #连接符,
find_rule(data, support, confidence, ms).to_excel(outputfile) #保存结果
数据集
代码运行结果
运行结果解读:
根据运行结果,有以下结论,e–1表示e发生能够推出a发生,置信度为100%,支持度为30%,;b–c--a表示b、c同时发生时能够推出a发生,置信度为60%,支持度为30%等。
以顾客点餐为实际案例,a–b表示a发生能够推出b发生,支持度为50%,置信度为71.4286%,我们给与相关赋值(a表示顾客点了菜品a,b表示顾客点了菜品b)就可以得到一条这样的信息:顾客同时点菜品a和b的概率时50%,点了菜品a,再点菜品b的概率是71.4286%。