《Python数据分析与挖掘实战》第八章学习-关联规则Apriori

    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 = []
            #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？
            for i in column:
                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
[/code]

通过分析上述代码，可以发现，上述代码并没有利用先验性质进行剪枝步。  
利用上述函数，对数据进行处理。  
代码如下：

```code
    inputfile = 'D:/ProgramData/PythonDataAnalysiscode/chapter8/demo/data/apriori.txt' #输入事务集文件
    data = pd.read_csv(inputfile, header=None, dtype = object)
    
    start = time.clock() #计时开始
    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 = list(map(ct, data.as_matrix())) #用map方式执行
    data = pd.DataFrame(b).fillna(0) #实现矩阵转换，空值用0填充
    end = time.clock() #计时结束
    print(u'\n转换完毕，用时：%0.2f秒' %(end-start))
    del b #删除中间变量b，节省内存
    
    support = 0.06 #最小支持度
    confidence = 0.75 #最小置信度
    ms = '---' #连接符，默认'--'，用来区分不同元素，如A--B。需要保证原始表格中不含有该字符
    
    start = time.clock() #计时开始
    print(u'\n开始搜索关联规则...')
    find_rule(data, support, confidence, ms)
    end = time.clock() #计时结束
    print(u'\n搜索完成，用时：%0.2f秒' %(end-start))
[/code]

输出结果如下：  
![这里写图片描述](https://img-
blog.csdn.net/20180109160647159?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc2luYXRfMzM1MTk1MTM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)  
由结果也可以看出，本书中对于Apriori算法的实现尚有不足，不仅没有利用到剪枝步，最后的结果中也没有明确究竟是怎样的规则。  
最后博主查找其他资料，参考了 [ Apriori(Python实现)
](https://www.cnblogs.com/llhthinker/p/6719779.html) 这篇文章中的Python代码。  
输出结果（部分）如下：  
![这里写图片描述](https://img-
blog.csdn.net/20180109163336985?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc2luYXRfMzM1MTk1MTM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)  
![这里写图片描述](https://img-
blog.csdn.net/20180109163351021?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc2luYXRfMzM1MTk1MTM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)  
利用这位作者的代码对书中的数据集进行实战，结果跟书中最后实现是一样的，但是过程更加清晰，且最后的规则展现也更加明确。

##  总结

本文主要结合了《数据挖掘概念与技术》的理论内容和《Python数据分析与挖掘实战》的实战内容，最后又参考了其他人的python实现代码。  
对关联规则理论部分有了较好的理解，但是对代码实现部分，还需要再反复揣摩理解一下。  
至此，对第八章关联规则部分整理完毕。