序列模式及PrefixSpan算法
1.序列模式介绍
2.Prefixspan算法基础
3.Prefixspan算法原理
4.Prefixspan算法举例
1.序列模式介绍
什么是序列模式?
序列模式挖掘(sequence pattern mining)是数据挖掘的内容之一,指挖掘相对时间或其他模式出现频率高的模式。
基础概念介绍:
1.序列是如何产生的:
例如,一个事务数据库,一个事务代表一笔交易,一个单项代表交易的商品,单项属性中的数字记录的是商品ID
一般为了方便处理,需要把数据库转化为序列数据库。方法是把用户ID相同的记录合并,有时每个事务的发生时间可以忽略,仅保持事务间的偏序关系。
序列简介:
序列(Sequence)通常以SID表示,一个序列即是一个完整的信息流。每个序列由不同的元素按顺序有序排列,每个元素由不同项目(或者也可以称之为事件)组成。
例如一条序列<(10,20)30(40,60,70)>有3个元素,分别是(10,20),30,(40,60,70);3个事务的发生时间是由前到后。其中项目10和项目20是同时发生的,所以处在同一个元素中。这条序列是一个6-序列。
子序列简介
对于序列t和s,如果t中每个有序元素都是s中的一个有序元素的子集,那么t是s的子序列。形式化为,序列 t=<t1,t2,⋯,tm> 和 s=<s1,s2,⋯,sn>,如果 1≤j1≤j2≤⋯≤jm≤n,使得 t1⊆sj1,t2⊆sj2,⋯,tm⊆sjm,则t是s的子序列,并且t包含在s中。
例如:
支持度简介
序列αα在序列数据库S中的支持度为序列数据库S中包含序列支持度的序列个数,记为Support(αα)。给定最小支持度阈值ξξ,如果序列αα在序列数据库中的支持数不低于ξξ,则称序列αα为频繁序列。长度为l的序列模式记为l-模式。
序列模式挖掘:找出所有的频繁子序列,即该子序列在序列集中的出现频率不低于最小支持度阈值。例子:设序列数据库如下图所示,并设用户指定的最小支持度min-support = 2。
2.Prefixspan算法基础
PrefixSpan算法的全称是Prefix-Projected Pattern Growth,即前缀投影的模式挖掘。
基本概念简介:
前缀prefix:
对于序列A={a1,a2,…an}和序列B={b1,b2,…bm},n≤m,满足a1=b1,a2=b2…an−1=bn−1,而an⊆bn,则称A是B的前缀。
比如对于序列数据B=<a(abc)(ac)d(cf)>,则A=<a(abc)a>是B的前缀。当然B的前缀不止一个,比如<a>, <aa>, <a(ab)>
也都是B的前缀。
后缀(前缀投影):
前缀投影,其实前缀投影这儿就是我们的后缀,有前缀就有后缀嘛。前缀加上后缀就可以构成一个我们的序列。下面给出前缀和后缀的例子。对于某一个前缀,序列里前缀后面剩下的子序列即为我们的后缀。如果前缀最后的项是项集的一部分,则用一个“_”来占位表示。
下面这个例子展示了序列<a(abc)(ac)d(cf)>的一些前缀和后缀,要注意的是,如果前缀的末尾不是一个完全的项集,则需要加一个占位符。
在PrefixSpan算法中,相同前缀对应的所有后缀的结合我们称为前缀对应的投影数据库。
3.PrefixSpan算法原理
从长度为1的前缀开始挖掘序列模式,搜索对应的投影数据库得到长度为1的前缀对应的频繁序列,然后递归的挖掘长度为2的前缀所对应的频繁序列,以此类推,一直递归到不能挖掘到更长的前缀挖掘为止。
输入:序列数据集S和支持度阈值α
输出:所有满足支持度要求的频繁序列集
1)找出所有长度为1的前缀和对应的投影数据库
2)对长度为1的前缀进行计数,将支持度低于阈值α的前缀对应的项从数据集S删除,同时得到所有的频繁1项序列,i=1.
3)对于每个长度为i满足支持度要求的前缀进行递归挖掘:
a) 找出前缀所对应的投影数据库。如果投影数据库为空,则递归返回。
b) 统计对应投影数据库中各项的支持度计数。如果所有项的支持度计数都低于阈值α,则递归返回。
c) 将满足支持度计数的各个单项和当前的前缀进行合并,得到若干新的前缀。
d) 令i=i+1,前缀为合并单项后的各个前缀,分别递归执行第3步。
4.PrefixSpan算法举例实现
里面长度为1的前缀包括<a>, <b>, <c>, <d>, <e>, <f>,<g>
我们需要对这6个前缀分别递归搜索找各个前缀对应的频繁序列。如下图所示,每个前缀对应的后缀也标出来了。由于g只在序列4出现,支持度计数只有1,因此无法继续挖掘。我们的长度为1的频繁序列为<a>, <b>, <c>, <d>, <e>,<f>
。去除所有序列中的g,即第4条记录变成<e(af)cbc>。
现在我们开始挖掘频繁序列,分别从长度为1的前缀开始。这里我们以d为例子来递归挖掘,其他的节点递归挖掘方法和d一样。
1.首先我们通过前缀d在所有序列中找到其前缀投影(后缀)的结果有:
<(cf)>
<c(bc)(ae)>
<(_f)cb>
对d所有出现的后缀进行计数,得到{a:1, b:2, c:3, d:0, e:1, f:1,_f:1}。
(注意f和_f是不一样的,前者是在和前缀d不同的项集,而后者是和前缀d同项集<(df)>)
得到>=2频繁序列为和
对应后缀有<_c(ae)>,对其计数{a:1, _c:1, e:1}
支持度全部不达标所以此项挖掘结束。 然后返回来对项计数:
2. 写出以为前缀的投影序列有<_f>, <(bc)(ae)>,
然后我们对的后缀进行支持度计数→ {b:2, a:1, c:1, e:1, _f:1}
只有b满足支持度阈值
因此我们得到前缀为dc的三项频繁序列为。我们继续递归以为前缀的频繁序列
对应后缀支持度全部不达标此项挖掘结束,结果如下。
pattern:[[‘d’]], support:3pattern:[[‘d’], [‘b’]], support:2pattern:[[‘d’], [‘c’]], support:3pattern:[[‘d’], [‘c’], [‘b’]], support:2
附上python3.6的代码:
import sys
PLACE_HOLDER = '_'
def read(filename):
S = []
with open(filename, 'r') as input:
for line in input.readlines():
elements = line.split(',') #分隔符
s = []
for e in elements:
s.append(e.split())
S.append(s)
return S
class SquencePattern:
def __init__(self, squence, support):
self.squence = []
for s in squence:
self.squence.append(list(s)) #元组换成列表
self.support = support
def append(self, p): #如果第一位是‘_’则remove后再加到squence里面
if p.squence[0][0] == PLACE_HOLDER:
first_e = p.squence[0]
first_e.remove(PLACE_HOLDER)
self.squence[-1].extend(first_e)
self.squence.extend(p.squence[1:])
else:
self.squence.extend(p.squence)
self.support = min(self.support, p.support)
def prefixSpan(pattern, S, threshold):
patterns = []
f_list = frequent_items(S, pattern, threshold)
for i in f_list:
p = SquencePattern(pattern.squence, pattern.support)
p.append(i)
patterns.append(p)
p_S = build_projected_database(S, p)
p_patterns = prefixSpan(p, p_S, threshold)
patterns.extend(p_patterns)
return patterns
def frequent_items(S, pattern, threshold):
items = {}
_items = {}
f_list = []
if S is None or len(S) == 0:
return []
if len(pattern.squence) != 0:
last_e = pattern.squence[-1]
else:
last_e = []
for s in S:
# class 1
print(s)
is_prefix = True
for item in last_e:
if item not in s[0]:
is_prefix = False
break
# print(is_prefix)
if is_prefix and len(last_e) > 0:
index = s[0].index(last_e[-1])
if index < len(s[0]) - 1:
for item in s[0][index + 1:]:
if item in _items:
print(s)
_items[item] += 1
else:
_items[item] = 1
# class 2
if PLACE_HOLDER in s[0]:
for item in s[0][1:]:
if item in _items:
_items[item] += 1
else:
_items[item] = 1
s = s[1:]
# class 3
counted = []
for element in s:
for item in element:
if item not in counted:
counted.append(item)
if item in items:
items[item] += 1
else:
items[item] = 1
f_list.extend([SquencePattern([[PLACE_HOLDER, k]], v) for k, v in _items.items() if v >= threshold])
f_list.extend([SquencePattern([[k]], v) for k, v in items.items() if v >= threshold])
sorted_list = sorted(f_list, key=lambda p: p.support) #lambda是虚拟函数
return sorted_list
def build_projected_database(S, pattern):
"""
suppose S is projected database base on pattern's prefix, pattern是当前的前缀,S为其投影数据库
so we only need to use the last element in pattern to
build projected database
"""
# print(S)
# print(pattern.squence)
p_S = []
last_e = pattern.squence[-1]
last_item = last_e[-1]
for s in S:
p_s = []
for element in s:
is_prefix = False
if PLACE_HOLDER in element:
if last_item in element and len(pattern.squence[-1]) > 1:
is_prefix = True
else:
is_prefix = True
for item in last_e:
if item not in element:
is_prefix = False
break
if is_prefix:
e_index = s.index(element)
i_index = element.index(last_item)
if i_index == len(element) - 1:
p_s = s[e_index + 1:]
else:
p_s = s[e_index:]
# index = element.index(last_item)
e = element[i_index:]
e[0] = PLACE_HOLDER
p_s[0] = e
break
if len(p_s) != 0:
p_S.append(p_s)
return p_S
def print_patterns(patterns):
for p in patterns:
print("pattern:{0}, support:{1}".format(p.squence, p.support))
if __name__ == "__main__":
S = read("PrefixSpan_test.txt")
# frequent_items(S, SquencePattern(['b'],2), 2)
patterns = prefixSpan(SquencePattern([], sys.maxsize), S, 2)
print_patterns(patterns)