java fp-growth 算法包_FP-Growth算法

FP-Growth算法的目标是发现模式，其特点就是高效，因为可以通过设置发生频次直接过滤掉一些低频次的元素；而且秉承了和Apriori的思想，对于低频次的元素，其父级和子级的组合都是低频的。

FP-Growth利用的树结构；在发现模式的过程就是一个不断构建树的过程。其核心组成是两部分，一个就是FPTree，另外一个是headTable；我们首先来说一下HeadTable，HeadTable的数据结构是字典，key值是每个单元素(商品)，value是一个二元组，分别是这个单品出现的次数以及商品树(FPTree)

下面是TreeNode的结构定义：

1 classtreeNode:2 def __init__(self, nameValue, numOccur, parentNode):3 self.name =nameValue4 self.count =numOccur5 self.parent = parentNode #上级树信息

6 self.children = {} #下级(树枝)树信息

7 self.nodeLink =None8 definc(self, numOccur):9 self.count +=numOccur10

11 def disp(self, ind = 1):12 print (' '*ind, self.name, ' ', self.count)13 for child inself.children.values():14 child.disp(ind + 1)

然后我们再来看一下FPTree，这个Header-FPTree里面将会记录信息和Pattern-FP树还要复杂一些，因为除了使用children字段来记录其孩子节点，还是用了nodeLink字段来记录相同单元的其他子树，也就是说这是一个链式结构，通过一个链，可以把所有的某个单元素的FPTree都串联起来了。如下图所示，S：3其实是两个S相关子树，第一个节点是S:2，第二个是S：1，带箭头的都nodeLink进行链接的；不带箭头(线段)的都是children/parent字段进行关联的。

这里有一个概念即使交易，交易的本质是一种商品组成。我们先来一组数据：

1 defloadSimpDat():2 simpDat = [['r', 'z', 'h', 'j', 'p'],3 ['z', 'y', 'x', 'w', 'v', 'u', 't', 's'],4 ['z'],5 ['r', 'x', 'n', 'o', 's'],6 ['y', 'r', 'x', 'z', 'q', 't', 'p'],7 ['y', 'z', 'x', 'e', 'q', 's', 't', 'm']]8 return simpDat

这里单个字符就是一个单品，比如'r'， 'x'等等；交易，就是simpDat中国每个一维数组，['r', 'z', 'h', 'j', 'p']就被称之为一个交易；那么对于FPG而言，他的目标就是根据交易来进行模式识别。

那么怎么来进行呢？首先就是要构建一颗树。怎么构建，要经历两轮遍历，第一轮遍历是把所有单品的出现频次统计出来，完成第一轮的遍历后，把出现频次第的单品过滤掉，形成一个高频单品的集合；第二轮遍历，才是真正要构建FPTree，在遍历每一个交易的时候，首先把低频单品剔除掉(判断是否在高频单品集合中)，这样生成了一个新的交易，只包含高频单品，然后对于新的交易中的单品进行排序；为什么要排序？因为在形成树的时候，z，y，r和r，y，z其实是一棵树，只有排序才可以识别为一棵树，排序的规则就是出现的频度。OK，剩下的事情就是对于新的排过序的交易构建FPTree了(交给updateTree)！在updateTree之前的操作，都是数据处理(清洗)的流程范围，只有到了updateTree才是机器学习的开始。

下面的代码就是创建树的python实现：

1 def createTree(dataset, minSup = 1):2 #headTable用于保存各个单元素的指针；通过headTable里面的指定项，可以所用到以某个点为起点的路径(树路径)

3 headTable ={}4 #第一轮遍历，获取的所有单元素出现的次数

5 #注意，dataset是一个字典；for语句遍历默认是第一个元素及下面for语句等价于for trans in data.keys()

6 print("开始第一轮遍历，找出发生频率")7 for trans indataset:8 #print("trans:", trans)

9 for item intrans:10 #print(" item:", item)

11 #print(" dataSet[trans]:", dataset[trans])

12 #其实不是很明白为什么要+dataset[trans]？

13 #首先要明白dataset是干什么的，它是一个商品组合以及一个商品组合的数量，这里就是当前该单品的数量+dataset的数量

14 headTable[item] = headTable.get(item, 0) +dataset[trans]15 print("第一轮扫描完毕，headTable:", headTable)16 #删除出现次数小于下限的元素

17 for key inlist(headTable):18 if(headTable[key]

26 #初始化设置为None，在第二轮处理中会为每个元素创建一个树节点，填充到headTable中来

27 for key inheadTable:28 headTable[key] =[headTable[key], None]29 retTree = treeNode("Null Set", 1, None)30 print("开始第二轮遍历，构建FP树(只针对高频元素进行构建FP树)")31 #下面开始第二轮遍历，主要是对于高频出现的trans元素进行排序

32 for trans, count indataset.items():33 print("trans: %s, count: %d" %(trans, count))34 localD ={}35 for item intrans:36 #只处理高频元素，低频元素被抛弃；headTable[item][0]是单品，headTable[item][1]则是单品对应的树指针

37 if(item infreqItems):38 localD[item] =headTable[item][0]39 if(len(localD) >0):40 print("localD:", localD)41 #前方高能，为什么是p:p[1]?这里p[0]是key，单品名称，p[1]是value，单品的发生的次数；

42 #这里排序按照单品的发生的次数来进行排序，所以是p[1]

43 orderedItems = [v[0] for v in sorted(localD.items(), key = lambda p:p[1], reverse =True)]44 print("排序后的LocalD:", orderedItems)45 #第一次调用updateTree的时候，传进去的inTree就是根节点：NullSet

46 updateTree(orderedItems, retTree, headTable, count)47

48 return retTree, headTable

那么，如何连构建FP树呢？首先创建一个树的根节点，Null Set，这个在数据处理环节已经创建了；我们拿三组数据来剖析一下：

1 ['z']2 ['z', 'x', 'y', 'r', 't']3 ['x', 's', 'r']

Z节点在是第一个单品毫无疑问，直接在NullSet节点下面创建创建树节点z；headTable也没有z树记录(数据处理节点只是在headTable中创建了key以及出现频次，tree信息是None)，于是在headTable对应的key值上填充一下创建的树信息；下面就是第一个交易走完之后，FPTree的样子

1 Null Set 1

2 z 1

第二个交易还是z开头，z已经在NullSet中存在，OK，那么直接z+1即可(如下图所示)；

Null Set 1z2

然后是x节点，x是z节点的下级节点，z子树是新创建的，也是没有x节点，所以直接创建，后续的y，r，t都是类似的，所以第二个交易处理完成后，形成了如下的FP树：

再看第三个交易(['x', 's', 'r'])，x节点，FPTree的NullSet节点中没有，创建之；x节点在headTable中已经有了定义，所以需要在headTable中ke=x的树的叶子结点添加一个nodeLink，Link到这个树。注意，回看第二个交易中，z也是二次出现，却并没有更新headTable，这是肿么回事？这是因为该z节点并没有创建新的子树，因为第一轮NullSet根节点已经创建了z树，所以z2没有创建子树，而是重用了z1的树，故不需要更新headTable的数据；然后x的父级节点是z树，z树并没有x节点，所以创建了一个新的x树节点，有新的树节点创建就需要更新headTable中的树信息了。

如果未来有一个交易是z，x....那么同样的不需要更新headTable数据，已经z树节点已经有了x树节点，直接+1即可；明白了这个逻辑，你就会明白FPG是如何来构建"模式"了。

我们继续看第三个交易，第二个节点是s，在x节点下创建s树节点，同时将创建的s树节点同步到headTable中；第三个节点是"r"，s树节点下创建r节点，但是r已经在headTable中r的树信息了(第二个交易中)，所以需要为headTable中的r树追加一个该新建树的nodeLink。

以此类推。

下面就是实现：

1 #更新树信息

2 #items是一次商品组合，或者说一种模式

3 defupdateTree(items, inTree, headerTable, count):4 print("组合模式为：", items, "inTree_name: %s, inTress: %s" %(inTree.name,inTree.disp()))5 #如果单项已经存在于树中，那么直接添加数量即可

6 if(items[0] ininTree.children):7 print("元素：%s已经在树中，直接添加数量即可" %(items[0]))8 inTree.children[items[0]].inc(count)9 #如果FP树中并没有指定的单元素，那么就创建一个并作为该树的子节点

10 else:11 inTree.children[items[0]] = treeNode(items[0], count, inTree) #创建树节点

12 print("元素：%s没有在树中...为树创建子节点: %s" %(items[0], inTree.disp()))13 #如果头结点记录表中没有该节点的子树信息(children)，那么就将创建的treeNode(子树)赋值过去

14 if(headerTable[items[0]][1] ==None):15 print("headTable中没有节点%s的记录，创建子树" %items[0])16 headerTable[items[0]][1] =inTree.children[items[0]]17 #如果之前的遍历过程中已经创建了该节点的children信息，则对children进行遍历到叶子结点，增加了子树(linkNode)几点

18 else:19 print("headTable中已经有了该节点：%s的记录信息，更新headerTable中树信息" %items[0])20 updateHeaderTable(headerTable[items[0]][1], inTree.children[items[0]])21 #逐个元素进行树的“生长”和“创建”

22 if(len(items) > 1):23 print("模式(%s)中还剩余单个素树 > 1，去掉items[0](%s)继续更新" %(items, items[0]))24 updateTree(items[1::], inTree.children[items[0]], headerTable, count)25 #遍历树一直到叶子结点，然后为叶子节点增加一个“子树”(叶子节点将不再是叶子节点)

26

27 #更新headTable中的树信息，即在叶子结点中增加一个nodeLink指向targetNode

28 defupdateHeaderTable(nodeToTest, targetNode):29 while(nodeToTest.nodeLink !=None):30 nodeToTest =nodeToTest.nodeLink31

32 nodeToTest.linkNode = targetNode