Python基础原理：FP-growth算法的构建

和Apriori算法相比，FP-growth算法只需要对数据库进行两次遍历，从而高效发现频繁项集。对于搜索引擎公司而言，他们需要通过查看互联网上的用词，来找出经常在一块出现的词。因此就需要能够高效的发现频繁项集的方法，FP-growth算法就可以完成此重任。


FP-growth算法是基于Apriori原理的，通过将数据集存储在FP（Frequent Pattern)树上发现频繁项集。
FP-growth算法只需要对数据库进行两次扫描，而Apriori算法在求每个潜在的频繁项集时都需要扫描一次数据集，所以说FP-growth算法是高效的。


FP算法发现频繁项集的过程是：
(1)构建FP树；
(2)从FP树中挖掘频繁项集
FP表示的是频繁模式，其通过链接来连接相似元素，被连起来的元素可看成是一个链表
将事务数据表中的各个事务对应的数据项，按照支持度排序后，把每个事务中的数据项按降序依次插入到一棵以 NULL为根节点的树中，同时在每个结点处记录该结点出现的支持度。


假设存在的一个事务数据样例为,构建FP树的步骤如下：

结合Apriori算法中最小支持度的阈值，在此将最小支持度定义为3，结合上表中的数据，那些不满足最小支持度要求的将不会出现在最后的FP树中。


据此构建FP树，并采用一个头指针表来指向给定类型的第一个实例，快速访问FP树中的所有元素，构建的带头指针的FP树如图：



结合绘制的带头指针表的FP树，对表中数据进行过滤，排序如下：



在对数据项过滤排序了之后，就可以构建FP树了，从NULL开始，向其中不断添加过滤排序后的频繁项集。过程可表示为：



这样，FP树对应的数据结构就建好了，现在就可以构建FP树了，FP树的构建函数参见Python源代码。


在运行上例之前还需要一个真正的数据集，结合之前的数据自定义数据集。这样就构建了FP树，接下来就是使用它来进行频繁项集的挖掘。