关联分析--Apriori（11）

频繁项集--同时出现频率较高的特征集合

关联规则--不同特征间关系较强

支持度--项集在数据集中所占比例

置信度--关联规则的支持度与单个特征支持度的比值

举个例子，假设NBA全明星连续五日的观众投票最佳阵容如下：

Date	PG	SG	SF	PF	C
2.1	库里	哈登	詹姆斯	字母哥	约基奇
2.2	欧文	哈登	杜兰特	浓眉	约基奇
2.3	库里	东契奇	杜兰特	浓眉	恩比德
2.4	欧文	哈登	詹姆斯	字母哥	恩比德
2.5	欧文	哈登	杜兰特	字母哥	约基奇

哈登的支持度=4/5；杜兰特的支持度=3/5

频繁项集{欧文、哈登}的支持度=3/5

那么有哈登，则有欧文这条关联规则的置信度=(3/5)/(4/5)=3/4

Apriori原理：如果某个项集是频繁的，那么他的子集也是频繁的；如果某个项集是非频繁的，那么他的超集也是非频繁的。例如{哈登、欧文}是频繁的，那么哈登、欧文都是频繁的；而浓眉是非频繁的，那么浓眉和所有人的搭配都是非频繁的。

Apriori算法的代码实现如下：

#合并小项集，生成k元素项集
def aprioriGen(Lk, k):
    retList = []
    lenLk = len(Lk)
    for i in range(lenLk):
        for j in range(i+1, lenLk): 
            L1 = list(Lk[i])[:k-2]; L2 = list(Lk[j])[:k-2]
            L1.sort(); L2.sort()
            if L1==L2:
                retList.append(Lk[i] | Lk[j])
    return retList

def apriori(dataSet, minSupport = 0.5):
    #输入：数据集、最小支持度
    C1 = createC1(dataSet)    #生成只有一个元素的项集
    D = map(set, dataSet)
    L1, supportData = scanD(D, C1, minSupport)    #频繁项集、支持率
    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)
        L.append(Lk)
        k += 1
    return L, supportData