Apriori算法中频繁项目集生成算法C语言实现

          数据挖掘是从大量数据中分析推断出数据规律的一种技术，它具有广泛的应用前景，比如社交网络中好友推荐，购物网站中的商品推荐等等。数据挖掘至提出到现在，已经产生了多种数据挖掘算法。其中Apriori 是一种最有影响的挖掘布尔关联规则频繁项集的算法。本文使用C语言实现来一个单一最小支持度的Apriori算法。

         行文开始之前先简单介绍一下相关概念。设I={i1,i2,i3……im}是一个项目（Item）集合T={t1,t2,……,tm}是一个事物集合，每个事物t是一个项目集合，且t属于I，一条关联规则定义如下：X->Y,其中X、Y都属于I且X与Y的交集是空集。集合T中所有包含X的事物的数目称之为X的支持计数（X.count），一个规则的支持度：sup=（XUY.count）/n，n是T中事物的个数。置信度：conf=（XUY.count）/X.count。支持度决定了规则在T中出现的频度，置信度指出了规则的可预测度。minsup与minconf是用户指定的满足条件的一个最小阀值。一个频繁项目集是指一个支持度高于minsup的项集。如何高效的从中找到满足条件的规则，是数据挖掘中一个基础问题。如果从I中找出所有可能的规则，然后再从规则中去找，这会随着I的基数增加而成指数规模增加，显然不具有使用的价值。Apriori算法通过一定的剪枝优化策略使得计算大大缩小。

         Apriori算法大致分为两步：1生成所有的频繁项目集，2从频繁项目集中生成所有的可信关联规则（指它的置信度高于minconf）。Apriori算法基于演绎原理生成所有的频繁项目集：如歌一个频繁项目集满足最小支持度要求，那么它的所有非空子集都满足最小支持度要求。位了简化