代码注释：机器学习实战第11章 使用Apriori算法来发现频繁集

写在开头的话：在学习《机器学习实战》的过程中发现书中很多代码并没有注释，这对新入门的同学是一个挑战，特此贴出我对代码做出的注释，仅供参考，欢迎指正。

1、发现频繁集

#coding:gbk

#作用：导入数据
#输入：无
#输出：数据集
def loadDataSet():
    return [[1, 3, 4], [2, 3, 5], [1, 2, 3, 5], [2, 5]]

#作用：构建所有候选项集的集合
#输入：数据集
#输出：所有候选项集的集合
def createC1(dataSet):
    C1 = []
    for transaction in dataSet:
        for item in transaction:
            if not [item] in C1:
                C1.append([item])
    C1.sort()
    #对C1中每个项构建一个不变集合，之后可以将这些集合作为字典键值使用
    return map(frozenset, C1)#forzenset()是冻结的集合，是不可变的，存在哈希值

#作用：找出满足最低要求的相集
#输入：数据集，候选项集列表，感兴趣项集的最小支持度
#输出：满足最低要求的相集
def scanD(D, Ck, minSupport):
    ssCnt = {}
    #如果Ck是D的一部分，则增加字典中对应的计数值
    for tid in D:
        for can in Ck:
            if can.issubset(tid):
                if not ssCnt.has_key(can):
                    ssCnt[can] = 1
                else:
                    ssCnt[can] += 1
    numItems = float(len(D))#数据集的项数
    retList = []
    supportData = {}
    for key in ssCnt:
        support = ssCnt[key] / numItems#计算支持度
        if support >= minSupport:
            retList.insert(0, key)#在列表的首部插入新的集合
        supportData[key] = support
    return retList, supportData

#作用：创建候选项集Ck
#输入：频繁项集列表Lk，项集元素个数k
#输出：候选项集Ck
def aprioriGen(Lk, k):
    retList = []
    lenLk = len(Lk)
    for i in range(lenLk):
        #j从i+1开始，防止出现j小于i的情况，多建立相同候选项集
        for j in range(i + 1, lenLk):
            #前k-2个项相同时，将两个集合合并
            L1 = list(Lk[i])[:k-2]
            L2 = list(Lk[j])[:k - 2]
            #注意排序，否则当维度过大时，可能会出现错误
            L1.sort()
            L2.sort()
            if L1 == L2:
                retList.append(Lk[i] | Lk[j])
    return retList

#作用：找出数据集的频繁项集
#输入：数据集，感兴趣项集的最小支持度
#输出：频繁项集，项集的支持度值
def apriori(dataSet, minSupport = 0.5):
    #构建所有候选项集的集合
    C1 = createC1(dataSet)
    D = map(set, dataSet)
    #找出满足最低要求的相集
    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)#将数据加到字典
        L.append(Lk)
        k += 1
    return L, supportData

2、挖掘关联规则

#作用：关联规则生成主函数
#输入：频繁项集，项集的支持度值，最小可信度阈值
#输出：包含可信度的规则列表
def generateRules(L, supportData, minConf = 0.7):
    bigRuleList = []
    for i in range(1, len(L)):#无法从单元素项集中构建关联规则，因此舍弃i=0的情况
        for freqSet in L[i]:
            H1 = [frozenset([item]) for item in freqSet]#H1将集合freqSet化为集合的列表
            if (i > 1):
                rulesFromConseq(freqSet, H1, supportData, bigRuleList, minConf)
            #只计算i = 1部分
            else:
                calcConf(freqSet, H1, supportData, bigRuleList, minConf)
    return bigRuleList

#作用：计算可信度
#输入：
#输出：
def calcConf(freqSet, H, supportData, br1, minConf = 0.7):
    prunedH = []
    for conseq in H:
        conf = supportData[freqSet] / supportData[freqSet - conseq]
        if conf >= minConf:
            print freqSet - conseq, '-->', conseq, 'conf:', conf
            br1.append((freqSet - conseq, conseq, conf))
            prunedH.append(conseq)
    return prunedH

#作用：没有看懂这个函数
#输入：
#输出：
def rulesFromConseq(freqSet, H, supportData, br1, minConf = 0.7):
    m = len(H[0])#计算频繁集的大小
    if (len(freqSet) > (m + 1)):
        Hmp1 = aprioriGen(H, m + 1)
        Hmp1 = calcConf(freqSet, Hmp1, supportData, br1, minConf)
        if (len(Hmp1) > 1):
            rulesFromConseq(freqSet, Hmp1, supportData, br1, minConf)