数据挖掘实验报告：Apriori算法实现

数据挖掘实验报告

实验一：Apriori算法实现

一、Apriori算法简介

​ Apriori算法是经典的挖掘频繁项集和关联规则的数据挖掘算法。A priori在拉丁语中指"来自以前"。当定义问题时，通常会使用先验知识或者假设，这被称作"一个先验"（a priori）。Apriori算法的名字正是基于这样的事实：算法使用频繁项集性质的先验性质，即频繁项集的所有非空子集也一定是频繁的。Apriori算法使用一种称为逐层搜索的迭代方法，其中k项集用于探索$(k+1)$项集。首先，通过扫描数据库，累计每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合。该集合记为$L_1$。然后，使用$L_1$找出频繁2项集的集合$L_2$，使用$L_2$找出$L_3$，如此下去，直到不能再找到频繁k项集。每找出一个$L_k$需要一次数据库的完整扫描。Apriori算法使用频繁项集的先验性质来压缩搜索空间。

二、基本概念

• 项与项集：设$itemset=ite{m}_1,ite{m}_2,\dots ,ite{m}_m$是所有项的集合，其中，$ite{m}_k,(k=1,2,\dots ,m)$称为项。项的集合称为项集$（itemset）$，包含k个项的项集称为k项集$(k-itemset)$。

• 事务与事务集：一个事务T是一个项集，它是itemset的一个子集，每个事务均与一个唯一标识符Tid相联系。不同的事务一起组成了事务集D，它构成了关联规则发现的事务数据库。

• 关联规则：关联规则是形如$A\Rightarrow B$的蕴涵式，其中A、B均为$itemset$的子集且均不为空集，而A交B为空。

• 支持度（support）：关联规则的支持度定义为
  $$support(A\Rightarrow B)=P(A\cup B)$$
  其中$P(A\cup B)$表示事务包含集合A和B的并的概率。

• 置信度（confidence）：关联规则的置信度定义为：
  $$confidence(A\Rightarrow B)=P(B|A)=\frac{support(A\cup B)}{support(A)}=\frac{support\_count(A\cup B)}{support\_count(A)}$$

• 项集的出现频度（support count）：包含项集的事务数，简称为项集的频度、支持度计数或计数。

• 频繁项集（frequent itemset）：如果项集$I$的相对支持度满足事先定义好的最小支持度阈值（即$I$的出现频度大于相应的最小出现频度（支持度计数）阈值），则$I$是频繁项集。

• 强关联规则：满足最小支持度和最小置信度的关联规则，即待挖掘的关联规则。

三、实现步骤

​ 一般而言，关联规则的挖掘是一个两步过程：1.找出所有的频繁项集。2.由频繁项集产生强关联规则。

1.挖掘频繁项集

1）相关定义

• 连接步骤：频繁$k-1$项集$L_{k-1}$的自身连接产生候选k项集$C_k$
  Apriori算法假定项集中的项按照字典序排序。如果$L_{k-1}$中某两个的元素（项集）$itemse{t}_1$和$itemse{t}_2$的前$k-2$个项是相同的，则称$itemse{t}_1$和$itemse{t}_2$是可连接的。所以$itemse{t}_1$与$itemse{t}_2$连接产生的结果项集是{$itemset_1[1], $itemse{t}_1[2]$, …, $itemse{t}_1[k-1]$,$ itemset_2[k-1]$}。连接步骤包含在下文代码中的create_Ck函数中。

• 剪枝策略
  由于存在先验性质：任何非频繁的$k-1$项集都不是频繁$k$项集的子集。因此，如果一个候选$k$项集$C_k$的$k-1$项子集不在$L_{k-1}$中，则该候选也不可能是频繁的，从而可以从$C_k$中删除，获得压缩后的$C_k$。下文代码中的is_apriori函数用于判断是否满足先验性质，create_Ck函数中包含剪枝步骤，即若不满足先验性质，剪枝。

• 删除策略
  基于压缩后的$C_k$，扫描所有事务，对$C_k$中的每个项进行计数，然后删除不满足最小支持度的项，从而获得频繁$k$项集。删除策略包含在下文代码中的generate_Lk_by_Ck函数中。

2）步骤

（1）每个项都是候选$1$项集的集合$C_1$的成员。算法扫描所有的事务，获得每个项，生成$C_1$（见下文代码中的create_C1函数）。然后对每个项进行计数。然后根据最小支持度从$C_1$中删除不满足的项，从而获得频繁$1$项集$L_1$。

（2）对$L_1$的自身连接生成的集合执行剪枝策略产生候选$2$项集的集合$C_2$，然后，扫描所有事务，对$C_2$中每个项进行计数。同样的，根据最小支持度从$C_2$中删除不满足的项，从而获得频繁$2$项集$L_2$。

（3）对$L_2$的自身连接生成的集合执行剪枝策略产生候选$3$项集的集合$C_3$，然后，扫描所有事务，对$C_3$每个项进行计数。同样的，根据最小支持度从$C_3$中删除不满足的项，从而获得频繁$3$项集$L_3$。

（4）以此类推，对$L_{k-1}$的自身连接生成的集合执行剪枝策略产生候选$k$项集$C_k$，然后，扫描所有事务，对$C_k$中的每个项进行计数。然后根据最小支持度从$C_k$中删除不满足的项，从而获得频繁$k$项集。

2.由频繁项集产生关联规则

​ 一旦找出了频繁项集，就可以直接由它们产生强关联规则。产生步骤如下：

• 对于每个频繁项集itemset，产生itemset的所有非空子集（这些非空子集一定是频繁项集）。
• 对于itemset的每个非空子集$s$，如果$\frac{support\_count(l)}{support\_count(s)}\ge min\_conf$，则输出$s\Rightarrow (l-s)$，其中$min\_conf$是最小置信度阈值。

四、Python实现代码

​ 《数据挖掘：概念与技术》（第三版）中挖掘频繁项集的样例图解。本实验基于该样例的数据编写Python代码实现Apriori算法。

def load_data_set():
    """
加载一个样本数据集（来自数据挖掘:概念和技术，第3版）
返回:
数据集:事务列表。每个事务都包含若干项。
    """
    data_set = [['l1', 'l2', 'l5'], ['l2', 'l4'], ['l2', 'l3'],
            ['l1', 'l2', 'l4'], ['l1', 'l3'], ['l2', 'l3'],
            ['l1', 'l3'], ['l1', 'l2', 'l3', 'l5'], ['l1', 'l2', 'l3']]
    return data_set


def create_C1(data_set):
    """
通过扫描数据集创建频繁候选1-itemset C1。
参数:
data_set:事务列表。每个事务都包含若干项。
返回:
C1:包含所有频繁候选1-项目集的集合
    """
    C1 = set()
    for t in data_set:
        for item in t:
            item_set = frozenset([item])
            C1.add(item_set)
    return C1


def is_apriori(Ck_item, Lksub1):
    """
判断频繁候选k-项集是否满足Apriori性质。
参数:
Ck_item: Ck中的一个频繁候选k-itemset，它包含所有的频繁项
k-itemsets候选人。
Lksub1: Lk-1，一个包含所有频繁候选(k-1)项集的集合。
返回:
真:满足Apriori性质。
错误:不满足Apriori性质。
    """
    for item in Ck_item:
        sub_Ck = Ck_item - frozenset([item])
        if sub_Ck not in Lksub1:
            return False
    return True


def create_Ck(Lksub1, k):
    """
创建Ck，一个包含所有频繁候选k-itemset的集合
通过Lk-1自己的连接操作。
参数:
Lksub1: Lk-1，一个包含所有频繁候选(k-1)项集的集合。
k:频繁项目集的项目号。
返回:
Ck:包含所有频繁候选k-itemset的集合。
    """
    Ck = set()
    len_Lksub1 = len(Lksub1)
    list_Lksub1 = list(Lksub1)
    for i in range(len_Lksub1):
        for j in range(1, len_Lksub1):
            l1 = list(list_Lksub1[i])
            l2 = list(list_Lksub1[j])
            l1.sort()
            l2.sort()
            if l1[0:k-2] == l2[0:k-2]:
                Ck_item = list_Lksub1[i] | list_Lksub1[j]
                # pruning
                if is_apriori(Ck_item, Lksub1):
                    Ck.add(Ck_item)
    return Ck


def generate_Lk_by_Ck(data_set, Ck, min_support, support_data):
    """
通过从Ck执行删除策略来生成Lk。
参数:
data_set:事务列表。每个事务都包含若干项。
Ck:包含所有频繁候选k-itemset的集合。
min_support:最小支持度。
support_data:一个字典。关键字为“frequent itemset”，取值为“support”。
返回:
Lk:包含所有频繁k-itemset的集合。
    """
    Lk = set()
    item_count = {}
    for t in data_set:
        for item in Ck:
            if item.issubset(t):
                if item not in item_count:
                    item_count[item] = 1
                else:
                    item_count[item] += 1
    t_num = float(len(data_set))
    for item in item_count:
        if (item_count[item] / t_num) >= min_support:
            Lk.add(item)
            support_data[item] = item_count[item] / t_num
    return Lk


def generate_L(data_set, k, min_support):
    """
生成所有频繁项集。
参数:
data_set:事务列表。每个事务都包含若干项。
k:所有频繁项目集的最大项目数量。
min_support:最小支持度。
返回:
L: Lk的名单。
support_data:一个字典。关键字为“frequent itemset”，取值为“support”。
    """
    support_data = {}
    C1 = create_C1(data_set)
    L1 = generate_Lk_by_Ck(data_set, C1, min_support, support_data)
    Lksub1 = L1.copy()
    L = []
    L.append(Lksub1)
    for i in range(2, k+1):
        Ci = create_Ck(Lksub1, i)
        Li = generate_Lk_by_Ck(data_set, Ci, min_support, support_data)
        Lksub1 = Li.copy()
        L.append(Lksub1)
    return L, support_data


def generate_big_rules(L, support_data, min_conf):
    """
从频繁项目集生成强规则。
参数:
L: Lk的名单。
support_data:一本字典。关键字为“frequent itemset”，取值为“support”。
min_conf:最小的置信度。
返回:
big_rule_list:包含所有大规则的列表。每个大规则都表示为一个3元组。
    """
    big_rule_list = []
    sub_set_list = []
    for i in range(0, len(L)):
        for freq_set in L[i]:
            for sub_set in sub_set_list:
                if sub_set.issubset(freq_set):
                    conf = support_data[freq_set] / support_data[freq_set - sub_set]
                    big_rule = (freq_set - sub_set, sub_set, conf)
                    if conf >= min_conf and big_rule not in big_rule_list:
                        big_rule_list.append(big_rule)
            sub_set_list.append(freq_set)
    return big_rule_list


if __name__ == "__main__":
    """
    Test
    """
    data_set = load_data_set()
    L, support_data = generate_L(data_set, k=3, min_support=0.2)
    big_rules_list = generate_big_rules(L, support_data, min_conf=0.7)
    for Lk in L:
        print "="*50
        print "frequent " + str(len(list(Lk)[0])) + "-itemsets\t\tsupport"
        print "="*50
        for freq_set in Lk:
            print freq_set, support_data[freq_set]
    print
    print "Big Rules"
    for item in big_rules_list:
        print item[0], "=>", item[1], "conf: ", item[2]

五、实验结果

​ 代码运行结果如下图：