关联规则之FPGrowth
一、原理:
与Apriori相比,只需要扫描两个数据库。
第一次扫描:
得到每个元素出现的次数,去除低于阈值的项,并排序。再对不同的项,按次序的高低排序
第二次扫描:
构建FP-TREE树,从FP树中找到关联规则。
二、算法流程步骤:
FP Tree算法包括三步:
1)扫描数据,得到所有频繁一项集的的计数。然后删除支持度低于阈值的项,将1项频繁集放入项头表,并按照支持度降序排列。
2)扫描数据,将读到的原始数据剔除非频繁1项集,并按照支持度降序排列。
3)读入排序后的数据集,插入FP树,插入时按照排序后的顺序,插入FP树中,排序靠前的节点是祖先节点,而靠后的是子孙节点。如果有共用的祖先,则对应的公用祖先节点计数加1。插入后,如果有新节点出现,则项头表对应的节点会通过节点链表链接上新节点。直到所有的数据都插入到FP树后,FP树的建立完成。
4)从项头表的底部项依次向上找到项头表项对应的条件模式基。从条件模式基递归挖掘得到项头表项项的频繁项集。
5)如果不限制频繁项集的项数,则返回步骤4所有的频繁项集,否则只返回满足项数要求的频繁项集。
三、核心步骤:
1.FP tree的构造
对FP树的构建包含了:名字,计数,指向下一个相同节点,父节点,子节点
name:节点元素名称,在构造时初始化为给定值
count:出现次数,在构造时初始化为给定值
nodeLink:指向下一个相似节点的指针,默认为None(指向下一个相同节点)
parent:指向父节点的指针,在构造时初始化为给定值
children:指向子节点的字典,以子节点的元素名称为键,指向子节点的指针为值,初始化为空字典
2.项头表的建立:
指的是相对字符进行排序,去除低于阈值的项,再对每项值进行排序
3 FP Tree的建立
把上面的项头表的每一项的值,一项一项的插入到FP tree中。
插第一个
插第二个:
依次插入。
4.FP Tree的挖掘
要从项头表的底部项依次向上挖掘。对于项头表对应于FP树的每一项,我们要找到它的条件模式基。所谓条件模式基是以我们要挖掘的节点作为叶子节点所对应的FP子树。得到这个FP子树,我们将子树中每个节点的的计数设置为叶子节点的计数,并删除计数低于支持度的节点。从这个条件模式基,我们就可以递归挖掘得到频繁项集了。
根据第三步,最终的FP 树为:
(1)从F往上求条件模式基。
对于F的条件模式基:
通过它,我们很容易得到F的频繁2项集为{A:2,F:2}, {C:2,F:2}, {E:2,F:2}, {B:2,F:2}。递归合并二项集,得到频繁三项集为{A:2,C:2,F:2},{A:2,E:2,F:2},…还有一些频繁三项集,就不写了。当然一直递归下去,最大的频繁项集为频繁5项集,为{A:2,C:2,E:2,B:2,F:2}
(2)对于D的条件模式基:
D节点比F节点复杂一些,因为它有两个叶子节点,因此首先得到的FP子树如下图左。我们接着将所有的祖先节点计数设置为叶子节点的计数,即变成{A:2, C:2,E:1 G:1,D:1, D:1}此时E节点和G节点由于在条件模式基里面的支持度低于阈值,被我们删除,最终在去除低支持度节点并不包括叶子节点后D的条件模式基为{A:2, C:2}。通过它,我们很容易得到D的频繁2项集为{A:2,D:2}, {C:2,D:2}。递归合并二项集,得到频繁三项集为{A:2,C:2,D:2}。D对应的最大的频繁项集为频繁3项集。
依次下去求解。最后,至此我们得到了所有的频繁项集,如果我们只是要最大的频繁K项集,从上面的分析可以看到,最大的频繁项集为5项集。包括{A:2, C:2, E:2,B:2,F:2}。
四、代码实现:
1.对FP tree的定义:
对FP树的构建包含了:名字,计数,指向下一个相同节点,父节点,子节点
name:节点元素名称,在构造时初始化为给定值
count:出现次数,在构造时初始化为给定值
nodeLink:指向下一个相似节点的指针,默认为None(指向下一个相同节点)
parent:指向父节点的指针,在构造时初始化为给定值
children:指向子节点的字典,以子节点的元素名称为键,指向子节点的指针为值,初始化为空字典
class treeNode:
def __init__(self, nameValue, numOccur, parentNode):
'''
name:节点元素名称,在构造时初始化为给定值
count:出现次数,在构造时初始化为给定值
nodeLink:指向下一个相似节点的指针,默认为None
parent:指向父节点的指针,在构造时初始化为给定值
children:指向子节点的字典,以子节点的元素名称为键,指向子节点的指针为值,初始化为空字典
'''
self.name = nameValue
self.count = numOccur
self.nodeLink = None
# needs to be updated
self.parent = parentNode
self.children = {}
def inc(self, numOccur):
"""inc(对count变量增加给定值)
"""
self.count += numOccur
def disp(self, ind=1):
"""disp(用于将树以文本形式显示) #输出节点和子节点的FP树结构
"""
print(' '*ind, self.name, ' ', self.count)
for child in self.children.values():
child.disp(ind+1)
def __lt__(self, other):
return self.count < other.count
2.加载数据:
def loadSimpDat():
simpDat = [['r', 'z', 'h', 'j', 'p'],
['z', 'y', 'x', 'w', 'v', 'u', 't', 's'],
['z'],
['r', 'x', 'n', 'o', 's'],
['y', 'r', 'x', 'z', 'q', 't', 'p'],
['y', 'z', 'x', 'e', 'q', 's', 't', 'm']]
return simpDat
def LoadMoive():
file = open('./data/ml-100k/u1.base')
middle = {}
ret = []
for line in file.readlines():
line=line.strip('\n')
# print(line.split('\t'))
uid,mid,_,_ = line.split('\t')
if uid not in middle.keys():
middle[uid] = []
middle[uid].append(int(mid))
for k,v in middle.items():
ret.append(v)
return ret
3.构建FP-tree
1).计算每个项出现的次数,
2)删除出现次数低于minSup的项
3)对项按照总的次数进行排序
4)把每项加入FP tree中 : 如果第一项在第个节点的孩子节点中,则count+1;如不在添加子节点。如果之前有相同节点则,nodeLink连接起来;如果没有,则新建一个。再一个个加入树中。
#生成的样例数据同文中用得一样。这个诡异的输入格式就是createInitSet()函数中这样来得。
def createInitSet(dataSet):
retDict = {}
for trans in dataSet:
if frozenset(trans) not in retDict:
retDict[frozenset(trans)] = 1
else:
retDict[frozenset(trans)] += 1
return retDict
# this version does not use recursion
#这个函数其实只做了一件事,就是获取头指针表中该元素项对应的单链表的尾节点,然后将其指向新节点targetNode。
def updateHeader(nodeToTest, targetNode):
"""updateHeader(更新头指针,建立相同元素之间的关系,例如: 左边的r指向右边的r值,就是后出现的相同元素 指向 已经出现的元素)
从头指针的nodeLink开始,一直沿着nodeLink直到到达链表末尾。这就是链表。
性能:如果链表很长可能会遇到迭代调用的次数限制。
Args:
nodeToTest 满足minSup {所有的元素+(value, treeNode)}
targetNode Tree对象的子节点
"""
# 建立相同元素之间的关系,例如: 左边的r指向右边的r值
while (nodeToTest.nodeLink is not None):
nodeToTest = nodeToTest.nodeLink
nodeToTest.nodeLink = targetNode
def updateTree(items, inTree, headerTable, count):
"""updateTree(更新FP-tree,第二次遍历)
# 针对每一行的数据
# 最大的key, 添加
Args:
items 满足minSup 排序后的元素key的数组(大到小的排序)
inTree 空的Tree对象
headerTable 满足minSup {所有的元素+(value, treeNode)}
count 原数据集中每一组Kay出现的次数
"""
# 取出 元素 出现次数最高的
# 如果该元素在 inTree.children 这个字典中,就进行累加
# 如果该元素不存在 就 inTree.children 字典中新增key,value为初始化的 treeNode 对象
if items[0] in inTree.children:
# 更新 最大元素,对应的 treeNode 对象的count进行叠加
inTree.children[items[0]].inc(count)
else:
# 如果不存在子节点,我们为该inTree添加子节点
inTree.children[items[0]] = treeNode(items[0], count, inTree)
# 如果满足minSup的dist字典的value值第二位为null, 我们就设置该元素为 本节点对应的tree节点
# 如果元素第二位不为null,我们就更新header节点
if headerTable[items[0]][1] is None:
# headerTable只记录第一次节点出现的位置
headerTable[items[0]][1] = inTree.children[items[0]]
else:
# 本质上是修改headerTable的key对应的Tree,的nodeLink值
updateHeader(headerTable[items[0]][1], inTree.children[items[0]])
if len(items) > 1:
# 递归的调用,在items[0]的基础上,添加item0[1]做子节点, count只要循环的进行累计加和而已,统计出节点的最后的统计值。
updateTree(items[1:], inTree.children[items[0]], headerTable, count)
def createTree(dataSet, minSup=1):
"""createTree(生成FP-tree)
Args:
dataSet dist{行:出现次数}的样本数据
minSup 最小的支持度
Returns:
retTree FP-tree
headerTable 满足minSup {所有的元素+(value, treeNode)}
"""
# 支持度>=minSup的dist{所有元素:出现的次数}
headerTable = {}
# 循环 dist{行:出现次数}的样本数据
for trans in dataSet:
#print(trans) #frozenset({'p', 'r', 'j', 'h', 'z'})
# 对所有的行进行循环,得到行里面的所有元素
# 统计每一行中,每个元素出现的总次数
for item in trans:
# 例如: {'ababa': 3} count(a)=3+3+3=9 count(b)=3+3=6
headerTable[item] = headerTable.get(item, 0) + dataSet[trans]
# 删除 headerTable中,元素次数<最小支持度的元素
temp_keys = list(headerTable.keys())
for k in temp_keys:
if headerTable[k] < minSup:
del(headerTable[k])
# 满足minSup: set(各元素集合)
freqItemSet = set(headerTable.keys())
# 如果不存在,直接返回None
if len(freqItemSet) == 0:
return None, None
for k in headerTable:
# 格式化: dist{元素key: [元素次数, None]}
headerTable[k] = [headerTable[k], None]
# create tree
retTree = treeNode('Null Set', 1, None)
# 循环 dist{行:出现次数}的样本数据
for tranSet, count in dataSet.items():
# print 'tranSet, count=', tranSet, count
# localD = dist{元素key: 元素总出现次数}
localD = {} # 对一个项集tranSet,记录其中每个元素项的全局频率,用于排序
for item in tranSet:
# 判断是否在满足minSup的集合中
if item in freqItemSet:
# print 'headerTable[item][0]=', headerTable[item][0], headerTable[item]
localD[item] = headerTable[item][0]
# print 'localD=', localD
if len(localD) > 0:
# p=key,value; 所以是通过value值的大小,进行从大到小进行排序
# orderedItems 表示取出元组的key值,也就是字母本身,但是字母本身是大到小的顺序
orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: p[1], reverse=True)] # 排序
# print 'orderedItems=', orderedItems, 'headerTable', headerTable, '\n\n\n'
# 填充树,通过有序的orderedItems的第一位,进行顺序填充 第一层的子节点。
updateTree(orderedItems, retTree, headerTable, count) # 更新FP树
return retTree, headerTable
4.求每个节点的条件模式基,再输出关联规则
def ascendTree(leafNode, prefixPath):
"""ascendTree(如果存在父节点,就记录当前节点的name值)
Args:
leafNode 查询的节点对于的nodeTree
prefixPath 要查询的节点值
"""
if leafNode.parent is not None:
prefixPath.append(leafNode.name)
ascendTree(leafNode.parent, prefixPath)
#给定元素,生成条件模式基(前缀路经)
def findPrefixPath(basePat, treeNode):
"""findPrefixPath 基础数据集
Args:
basePat 要查询的节点值
treeNode 查询的节点所在的当前nodeTree
Returns:
condPats 对非basePat的倒叙值作为key,赋值为count数
"""
#print("basePat %s" %(basePat))
#print("treeNode %s" %(treeNode))
condPats = {}
# 对 treeNode的link进行循环
while treeNode is not None:
prefixPath = []
# 寻找改节点的父节点,相当于找到了该节点的频繁项集
ascendTree(treeNode, prefixPath) #找路径
#print(prefixPath) #['x', 'z'] ['x']
# 避免 单独`Z`一个元素,添加了空节点
if len(prefixPath) > 1:
# print(prefixPath) #['x', 'z']
# 对非basePat的倒叙值作为key,赋值为count数
# prefixPath[1:] 变frozenset后,字母就变无序了
# condPats[frozenset(prefixPath)] = treeNode.count
condPats[frozenset(prefixPath[1:])] = treeNode.count
#print(condPats)
# 递归,寻找改节点的下一个 相同值的链接节点
treeNode = treeNode.nodeLink
#print (treeNode)
return condPats
def mineTree(inTree, headerTable, minSup, preFix, freqItemList):
"""mineTree(创建条件FP树)
Args:
inTree myFPtree
headerTable 满足minSup {所有的元素+(value, treeNode)}
minSup 最小支持项集
preFix preFix为newFreqSet上一次的存储记录,一旦没有myHead,就不会更新
freqItemList 用来存储频繁子项的列表
"""
# 通过value进行从小到大的排序, 得到频繁项集的key
# 最小支持项集的key的list集合
bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p: p[1])] #(sort header table)
#print('-----', sorted(headerTable.items(), key=lambda p: p[1]))
#print('bigL=', bigL)
# 循环遍历 最频繁项集的key,从小到大的递归寻找对应的频繁项集
for basePat in bigL:
# preFix为newFreqSet上一次的存储记录,一旦没有myHead,就不会更新
newFreqSet = preFix.copy()
newFreqSet.add(basePat)
# print('newFreqSet=', newFreqSet, preFix)
freqItemList.append(newFreqSet)
# print('freqItemList=', freqItemList)
condPattBases = findPrefixPath(basePat, headerTable[basePat][1])
# print('condPattBases=', basePat, condPattBases)
# 构建FP-tree
myCondTree, myHead = createTree(condPattBases, minSup)
# print('myHead=', myHead)
# 挖掘条件 FP-tree, 如果myHead不为空,表示满足minSup {所有的元素+(value, treeNode)}
if myHead is not None:
# myCondTree.disp(1)
# print('\n\n\n')
# 递归 myHead 找出频繁项集
mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList)
# print('\n\n\n')
5.主函数:
if __name__ =="__main__":
# print(data1)
simpDat = loadSimpDat()
# simpDat = LoadMoive()
initSet = createInitSet(simpDat) # frozenset({'h', 'j', 'z', 'r', 'p'}): 1
myFPtree, myHeaderTab = createTree(initSet, 3)
# myFPtree.disp()
# print(myHeaderTab)
# b = findPrefixPath('C',myHeaderTab['C'][1])
# print (b)
# print(findPrefixPath('x',myHeaderTab['x'][1])) #得到每个前缀 条件模式基
# print(findPrefixPath('y',myHeaderTab['y'][1]))
# print(findPrefixPath('r',myHeaderTab['r'][1]))
freqItems = []
mineTree(myFPtree, myHeaderTab, 2, set([]), freqItems)
# for x in freqItems:
# print(x) # 打印频繁项集