python 频繁项集_ApachecnML/12.使用FP-growth算法来高效发现频繁项集.md at python-2.7 · ssfdust/ApachecnML · GitHub...

第12章 使用FP-growth算法来高效发现频繁项集

前言

在 第11章 时我们已经介绍了用 Apriori 算法发现 频繁项集 与 关联规则。

本章将继续关注发现 频繁项集 这一任务，并使用 FP-growth 算法更有效的挖掘 频繁项集。

FP-growth 算法简介

一种非常好的发现频繁项集算法。

基于Apriori算法构建,但是数据结构不同，使用叫做 FP树 的数据结构结构来存储集合。下面我们会介绍这种数据结构。

FP-growth 算法步骤

基于数据构建FP树

从FP树种挖掘频繁项集

FP树 介绍

FP树的节点结构如下:

class treeNode:

def __init__(self, nameValue, numOccur, parentNode):

self.name = nameValue # 节点名称

self.count = numOccur # 节点出现次数

self.nodeLink = None # 不同项集的相同项通过nodeLink连接在一起

# needs to be updated

self.parent = parentNode # 指向父节点

self.children = {} # 存储叶子节点

FP-growth 原理

基于数据构建FP树

步骤1:

遍历所有的数据集合，计算所有项的支持度。

丢弃非频繁的项。

基于 支持度 降序排序所有的项。

所有数据集合按照得到的顺序重新整理。

重新整理完成后，丢弃每个集合末尾非频繁的项。

步骤2:

6. 读取每个集合插入FP树中，同时用一个头部链表数据结构维护不同集合的相同项。

最终得到下面这样一棵FP树

从FP树中挖掘出频繁项集

步骤3:

对头部链表进行降序排序

对头部链表节点从小到大遍历，得到条件模式基，同时获得一个频繁项集。

如上图，从头部链表 t 节点开始遍历，t 节点加入到频繁项集。找到以 t 节点为结尾的路径如下:

去掉FP树中的t节点，得到条件模式基[z,x,y,s,t]:2，[z,x,y,r,t]:1 。条件模式基的值取决于末尾节点 t ，因为 t 的出现次数最小，一个频繁项集的支持度由支持度最小的项决定。所以 t 节点的条件模式基的值可以理解为对于以 t 节点为末尾的前缀路径出现次数。

条件模式基继续构造条件 FP树， 得到频繁项集，和之前的频繁项组合起来，这是一个递归遍历头部链表生成FP树的过程，递归截止条件是生成的FP树的头部链表为空。

根据步骤 2 得到的条件模式基 [z,x,y,s,t]:2，[z,x,y,r,t]:1 作为数据集继续构造出一棵FP树，计算支持度，去除非频繁项，集合按照支持度降序排序，重复上面构造FP树的步骤。最后得到下面 t-条件FP树 :

然后根据 t-条件FP树 的头部链表进行遍历，从 y 开始。得到频繁项集 ty 。然后又得到 y 的条件模式基，构造出 ty的条件FP树，即 ty-条件FP树。继续遍历ty-条件FP树的头部链表，得到频繁项集 tyx，然后又得到频繁项集 tyxz. 然后得到构造tyxz-条件FP树的头部链表是空的，终止遍历。我们得到的频繁项集有 t->ty->tyz->tyzx，这只是一小部分。

条件模式基:头部链表中的某一点的前缀路径组合就是条件模式基，条件模式基的值取决于末尾节点的值。

条件FP树:以条件模式基为数据集构造的FP树叫做条件FP树。

FP-growth 算法优缺点:

* 优点： 1. 因为 FP-growth 算法只需要对数据集遍历两次，所以速度更快。

2. FP树将集合按照支持度降序排序，不同路径如果有相同前缀路径共用存储空间，使得数据得到了压缩。

3. 不需要生成候选集。

4. 比Apriori更快。

* 缺点： 1. FP-Tree第二次遍历会存储很多中间过程的值，会占用很多内存。

2. 构建FP-Tree是比较昂贵的。

* 适用数据类型：标称型数据(离散型数据)。

FP-growth 代码讲解

main 方法大致步骤:

if __name__ == "__main__":

simpDat = loadSimpDat() #加载数据集。

initSet = createInitSet(simpDat) #对数据集进行整理，相同集合进行合并。

myFPtree, myHeaderTab = createTree(initSet, 3)#创建FP树。

freqItemList = []

mineTree(myFPtree, myHeaderTab, 3, set([]), freqItemList) #递归的从FP树中挖掘出频繁项集。

print freqItemList

大家看懂原理，再仔细跟踪一下代码。基本就没有问题了。