一、分析目的
假设最小支持度阈值为0.1,复现Apriori算法并在杂货店商品数据集中找出所有的频繁项集,可参考以下流程:
1)找出数据集中的频繁1-项集;
2)根据频繁1-项集生成候选2-项集;
3)判断是否可对候选2-项集进行剪枝操作,然后计算剩余候选2-项集的支持度计数,最后筛选出频繁-2项集;
4)重复以上过程直至候选k-项集为空,最后输出所有的频繁项集。
二、读入文件
编写函数loadDataset()用于读入数据集,并转化为list类型。
使用csv.reader(file)读入.csv文件。由于需要转化为list,对读入的每一行使用transaction = row[0].split(','):读入一行数据并根据','进行分割,将其转化为含有一行中所有元素的列表。
读入后的数据集打印如下所示:
相关代码如下所示:
def loadDataset():
csv_file = 'GroceryStoreDataSet.csv'
dataset = []
with open(csv_file, 'r') as file:
csv_reader = csv.reader(file)
for row in csv_reader:
transaction = row[0].split(',')
dataset. Append(transaction)
# print(*dataset, sep="\n")
return dataset
三、生成候选1-项集
编写函数createCandidate1(dataset)首先生成候选1-项集。
创建空列表C1存储候选1-项集,然后使用两层循环进行遍历,外层循环遍历每条交易记录,内层循环遍历每个商品,把未出现的商品添加到C1中,再对C1进行排序。最后把C1转化为frozenset类型,并返回该列表。
C1是所有不重复的商品,用于后面进一步生成频繁项集。打印C1如下图所示:
相关代码如下所示:
def createCandidate1(dataset):
C1 = []
for transaction in dataset:
for item in transaction:
if not [item] in C1:
C1.append([item])
C1.sort()
print(*C1, sep="\n")
return list(map(frozenset, C1))
四、计算支持度
编写函数scanDataset(Dataset, Ck, minSupport),对候选集Ck计算支持度,若大于等于最小支持度阈值则加入retList(存储频繁项集)。同时,设置字典ssCnt和supportData,分别存储每个项集出现次数和支持度。其中,使用公式计算支持度。
对C1调用函数,打印ssCnt和supportData如下图所示:
相关代码如下所示:
def scanDataset(Dataset, Ck, minSupport):
ssCnt = {}
for tid in Dataset:
for c in Ck:
if c.issubset(tid):
if not c in ssCnt:
ssCnt[c] = 1
else:
ssCnt[c] += 1
numItems = float(len(Dataset))
retList = []
supportData = {}
for key in ssCnt:
support = ssCnt[key] / numItems
if support >= minSupport:
# retList.insert(0,key)
retList.append(key)
supportData[key] = support
# for key, value in supportData.items():
# print(key, ":", value)
return retList, supportData
五、利用频繁k-1-项集生成候选k-项集
编写aprioriGen(Lk, k)函数,使用频繁k-1-项集(Lk表示)生成候选k-项集。使用双层循环,外循环i从0到len(Lk),内循环从i+1到len(Lk);使用L = Lk[i] | Lk[j]取两个集合的并集,若去完并集后L仍然有k个元素则说明是候选k-项集,将其添加到字典temp_dict中;最后返回list(temp_dict)。
打印利用频繁1-项集生成频繁2-项集的结果如下图所示:
相关代码如下所示:
def aprioriGen(Lk, k):
lenLk = len(Lk)
temp_dict = {}
for i in range(lenLk):
for j in range(i + 1, lenLk):
L = Lk[i] | Lk[j]
if len(L) == k:
if not L in temp_dict:
temp_dict[L] = 1
print(*list(temp_dict), sep="\n")
return list(temp_dict)
六、apriori算法
基于上面编写的各函数,实现apriori算法。基本思路为:1)创建候选1-项集,2)对候选1-项集调用函数scanDataset,返回频繁1-项集;3)利用while循环只要前一轮生成的频繁项集不为空,就不断重复生成候选项集、生成频繁项集的操作;4)最后返回所有频繁项集L和supportData。
编写main函数,调用loadDataset函数和apriori函数,打印所有的频繁项集和对应支持度如下图所示:
编写代码如下所示:
def apriori(dataset, minSupport=0.1):
C1 = createCandidate1(dataset)
Dataset = list(map(set, dataset))
L1, supportData = scanDataset(Dataset, C1, minSupport)
# print("L1",L1)
L = [L1]
k = 2
while (len(L[k - 2]) > 0):
Ck = aprioriGen(L[k - 2], k) # 生成候选项集
# print("生成的候选项集",Ck)
Lk, supK = scanDataset(Dataset, Ck, minSupport) # 按支持度筛选候选项集
# print("筛选出频繁项集",Lk)
supportData.update(supK)
L.append(Lk)
k += 1
return L, supportData
if __name__ == "__main__":
dataSet = loadDataset()
L, supportData = apriori(dataSet)
#print(*L, sep="\n")
for key, value in supportData.items():
print(key, ":", value)
七、总结与结论
由于设置的最小支持度阈值较小,为0.1,最后输出的频繁项集个数为46,比较多。其中,频繁1-项集有11个,频繁2-项集有24个,频繁3-项集有10个,频繁4-项集有1个。而且可以发现,所有频繁3-项集和部分频繁2-项集的支持度都正好是0.1。如果重新设置最小支持度阈值为0.2,重新运行结果如下:
可以看出,频繁项集的个数有所减少。但如果设置为0.5,则输出频繁项集只有一个{'BREAD'}。可见,该数据集各项间关联度都较低。