机器学习实战代码详解（12）使用FP-growth算法来高效发现频繁集

#coding=utf-8
#树节点结构定义
class treeNode:
    def __init__(self, nameValue, numOccur, parentNode):
        self.name = nameValue
        self.count = numOccur
        self.nodeLink = None
        self.parent = parentNode
        self.children = {}
    #方法inc（）对count变量值增加
    def inc(self, numOccur):
        self.count += numOccur
    #将树以文本形式显示
    def disp(self, ind = 1):
        print ' '*ind, self.name, ' ', self.count
        for child in self.children.values():
            child.disp(ind + 1)

def createTree(dataSet, minSup = 1):
    headerTable = {}    #创建字典
    for trans in dataSet:       #第一次遍历扫描数据集并统计每个元素出现的次数
        for item in trans:
            headerTable[item] = headerTable.get(item, 0) + dataSet[trans]
    for k in headerTable.keys():        #keys将字典中的建以列表形式返回,去除不满足minSup的项
        if headerTable[k] < minSup:
            del(headerTable[k])
    freqItemSet = set(headerTable.keys())
    if len(freqItemSet) == 0: return None, None #如果没有元素满足要求，则退出
    for k in headerTable:
        headerTable[k] = [headerTable[k], None] #对头指针进行拓展，保存计数值和指向每种类型第一个元素项的指针
    retTree = treeNode('Null Set', 1, None)     #创建一个只包含空集合的根节点
    for tranSet, count in dataSet.items():      #items方法将字典所有的项以列表的形式返回，列表中的每一个项都表示为（键，值）对的形式
        localD = {}
        for item in tranSet:
            if item in freqItemSet:
             localD[item] = headerTable[item][0]
        if len(localD) > 0:     #只考虑频繁项集
            orderedItems = [v[0] for v in sorted(localD.items(), key = lambda p:p[1], reverse = True)]  #根据全局频率对每个事务中的元素进行排序
            updateTree(orderedItems, retTree, headerTable, count)
    return retTree, headerTable

def updateTree(items, inTree, headerTable, count):
    if items[0] in inTree.children:     #第一个元素是否作为子节点存在
        inTree.children[items[0]].inc(count)    #更新计算
    else:
        inTree.children[items[0]] = treeNode(items[0], count, inTree)   #创建一个新的子节点
        if headerTable[items[0]][1] == None:
            headerTable[items[0]][1] = inTree.children[items[0]]
        else:
            updateHeader(headerTable[items[0]][1], inTree.children[items[0]])   #更新头指针
    if len(items) > 1:
        updateTree(items[1::], inTree.children[items[0]], headerTable, count)   #迭代，每次调用，用掉一个元素
#确保节点链接指向书中该元素项的每一个实例
def updateHeader(nodeToTest, targetNode):
    while (nodeToTest.nodeLink != None):
        nodeToTest = nodeToTest.nodeLink
    nodeToTest.nodeLink = targetNode



def loadSimpDat():
    simpDat = [['r', 'z', 'h', 'j', 'p'],
               ['z', 'y', 'x', 'w', 'v', 'u', 't', 's'],
               ['z'],
               ['r', 'x', 'n', 'o', 's'],
               ['y', 'r', 'x', 'z', 'q', 't', 'p'],
               ['y', 'z', 'x', 'e', 'q', 's', 't', 'm']]
    return simpDat

def createInitSet(dataSet):
    retDict = {}
    for trans in dataSet:
        retDict[frozenset(trans)] = 1
    return retDict

#发现以给定元素项结尾的所有路劲的函数
def ascendTree(leafNode, prefixPath):
    if leafNode.parent != None:
        prefixPath.append(leafNode.name)
        ascendTree(leafNode.parent, prefixPath)

#遍历链表，直到结尾
def findPrefixPath(basePat, treeNode):
    condPaths = {}
    while treeNode != None:
        prefixPath = []
        ascendTree(treeNode, prefixPath)
        if len(prefixPath) > 1:
            condPaths[frozenset(prefixPath[1:])] = treeNode.count
        treeNode = treeNode.nodeLink
    return condPaths

#递归查找频繁项集的minTree函数
def mineTree(inTree, headerTable, minSup, preFix, freqItemList):
    bigL = [v[0] for v in sorted(headerTable.items(), key = lambda p:p[1])]     #lambda是一个隐函数，是固定写法
                                                #对指针表中的元素项按其出现频率排序
    for basePat in bigL:
        newFreqSet = preFix.copy()
        newFreqSet.add(basePat)
        freqItemList.append(newFreqSet)         #将每一个频繁项添加到频繁项集列表中
        condPattBases = findPrefixPath(basePat, headerTable[basePat][1])        #步骤１寻找其条件模式基
        myCondTree, myHead = createTree(condPattBases, minSup)                  #步骤２，利用条件模式基创建条件树
        if myHead != None:
            mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList)      #递归调用，重复步骤１，２直至只有一个元素

总结

1. FP-growth算法是一种用于发现数据集中频繁模式的有效方法。FP-growth算法利用Apriori原则，执行更快。Apriori算法产生候选集，然后扫描数据集来检查他们是否频繁。由于只对数据集扫描两次，因此FP-growth算法执行更快。在FP-growth算法中，数据集存储在一个称为FP树的结构中。FP树构建完成后，可以通过查找元素项的条件基即构建条件FP树来发现频繁项集。该过程不断以更多元素为条件重复进行，直至FP树只包含一个元素为止。