关联分析（1）

基本方法
关联分析的目标包括两项：发现频繁项集和发现关联规则。
首先需要找到频繁相机，然后才能获得关联规则。
关联分析的主要目的是寻找频繁项集，如果通过暴力搜索，运算量会呈几何性增长。为了减少频繁项集的计算量，可以采用Apriori算法和FP-Growth算法。

Apriori算法

原理：如果某个项集是频繁的，那么它的所有子集也是频繁的。这个原理反过来看对实际操作更有作用，即如果一个项集是非频繁项集，那么它的所有超集也是非频繁的。
步骤：

1. 根据数据集生成候选项，首先生成单物品候选项集。
2. 设定最小支持度和最小置信度
3. 过滤掉数据项集占比低于最小支持度的项，形成频繁项。
4. 根据步骤3形成的频繁项集结果，进行项集之间的组合形成新的项集集合。
5. 重复步骤3、4.直到没有新的项集满足最小支持度。
6. 根据步骤5形成的最终频繁集合，计算频繁集合所含物品之间的置信度，过滤掉小于最小置信度的项集
7. 根据步骤6的结果生成关联规则，并计算其置信度。
   上述步骤中体现了Apriori算法的两个重要过程：连接步和剪枝步。
   连接步的目的是找到K项集，从满足约束条件的1项候选项集，逐步连接并检测约束条件产生高一级候选项集，直到得到最大的频繁项集。
   剪枝步是在产生候选项Ck的过程中起到减小搜索空间的目的。
   根据Apriori原理，频繁项集的所有非空子集也是频繁的，反之，不满足该性质的项集不会存在与Ck中，因此这个过程称为剪枝。
   从单元素项集开始，通过组合满足最小支持度要求的项集来形成更大的集合，每次增加频繁项集的大小，Apriori算法都会重新扫描整个数据集。当数据集很大时，会显著降低频繁项集发现的速度。

FP-Growth算法

在Apriori原理的基础上，采用FP树数据结构对原始数据进行压缩，大大加快了计算速度。
FP-Growth算法把数据集中的事务映射到一棵FP-Tree上，再根据这棵树找出频繁项集，FP-Tree的构建过程只需要扫描两次数据集，特别是在大型数据集上具有很高的效率。
步骤：构建FP树和挖掘频繁项集。
算法的瓶颈在FP-Tree的递归挖掘上。
1.FP树的数据结构：上去和其他树结构类似，但是它通过链接来连接相似的元素，被连起来的元素项可以看成一个链表。一个元素项可以在一棵FP树中出现多次。
2.构建FP树： 需扫描两次数据集
第一次扫描用来统计各元素项的出现频率，第二遍扫描只考虑频繁项集。
（1）遍历数据集，统计各元素项出现的次数，创建头指针表。
（2）移除头指针表中不满足最小值尺度的元素项
（3）第二次遍历数据集，创建FP树。对每个数据集中的项集进行如下操作。
① 初始化空FP树
② 对每个项集进行过滤和重排序
③ 使用这个项集更新FP树，从FP树的根节点开始进行
a.如果当前项集的第一个元素存在于FP树当前节点的子节点中，则更新这个子节点的计数值。
b.否则,创建新的子节点,更新头指针表。
c.对当前项集的其余元素项和当前元素项的对应子节点递归③的过程
3.从FP树中挖掘频繁项集
有了FP树之后，就可以抽取频繁项集了。从单元素项集合开始，然后在此基础上逐步构建更大的集合。步骤如下：
（1）从FP树中获得条件模式基
从头指针表中最下面的频繁元素项开始，构造每个元素项的条件模式基。条件模式基是以所查找元素项为结尾的路径集合，这里每一条路径都是该元素项的前缀路径。条件模式基的频繁度为路径上该元素项的频繁度计数。
（2）利用条件模式基，构建一个条件FP树
对于灭一个频繁项，都需要创建一棵条件FP树。使用刚才创建的条件模式基作为输入，累加每个条件模式基上的元素项频繁度，过滤低于阈值的元素项，采用同样的建树代码构建FP树。递归发现频繁项、条件模式基和另外的条件树。
（3）迭代重复步骤（1）和步骤（2），知道树包含一个元素项，这样就获得了所有的频繁项集

以下为FP树的测试代码。

# FP树的数据结构
class treeNode:
    def __init__(self, nameValue, numOccur, parentNode):
        self.name = nameValue
        self.count = numOccur
        self.nodeLink = None
        self.parent = parentNode
        self.children = {}

    def inc(self, numOccur):
        self.count += numOccur

    def disp(self, ind=1):
        print('  ' * ind, self.name, ' ', self.count)
        for child in self.children.values():
            child.disp(ind + 1)


# 构建FP树
def createTree(dataSet, minSup=1):
    headerTable = {}
    for trans in dataSet:
        for item in trans:
            headerTable[item] = headerTable.get(item, 0) + dataSet[trans]

    for k in list(headerTable):
        if headerTable[k] < minSup:
            del (headerTable[k])
    freqItemSet = set(headerTable.keys())
    if len(freqItemSet) == 0: return None, None
    for k in headerTable:
        headerTable[k] = [headerTable[k], None]
    retTree = treeNode('Null Set', 1, None)
    for tranSet, count in dataSet.items():
        localD = {}
        for item in tranSet:
            if item in freqItemSet:
                localD[item] = headerTable[item][0]
        if len(localD) > 0:
            orderedItems = [v[0] for v in sorted(localD.items(), key=lambda p: p[1], reverse=True)]
            updateTree(orderedItems, retTree, headerTable, count)
    return retTree, headerTable


def updateTree(items, inTree, headerTable, count):
    if items[0] in inTree.children:
        inTree.children[items[0]].inc(count)
    else:
        inTree.children[items[0]] = treeNode(items[0], count, inTree)
        if headerTable[items[0]][1] == None:
            headerTable[items[0]][1] = inTree.children[items[0]]
        else:
            updateHeader(headerTable[items[0]][1], inTree.children[items[0]])
    if len(items) > 1:
        updateTree(items[1::], inTree.children[items[0]], headerTable, count)


def updateHeader(nodeToTest, targetNode):
    while (nodeToTest.nodeLink != None):
        nodeToTest = nodeToTest.nodeLink
    nodeToTest.nodeLink = targetNode


# 挖掘频繁项集
def ascendTree(leafNode, prefixPath):
    if leafNode.parent != None:
        prefixPath.append(leafNode.name)
        ascendTree(leafNode.parent, prefixPath)


def findPrefixPath(basePat, treeNode):
    condPats = {}
    while treeNode != None:
        prefixPath = []
        ascendTree(treeNode, prefixPath)
        if len(prefixPath) > 1:
            condPats[frozenset(prefixPath[1:])] = treeNode.count
        treeNode = treeNode.nodeLink
    return condPats


def mineTree(inTree, headerTable, minSup, preFix, freqItemList):
    bigL = [v[0] for v in sorted(headerTable.items(), key=lambda p: str(p[1]))]
    for basePat in bigL:
        newFreqSet = preFix.copy()
        newFreqSet.add(basePat)
        freqItemList.append(newFreqSet)
        condPathBases = findPrefixPath(basePat, headerTable[basePat][1])
        myCondTree, myHead = createTree(condPathBases, minSup)
        if myHead != None:
            print('conditional tree for:', newFreqSet)
            mineTree(myCondTree, myHead, minSup, newFreqSet, freqItemList)


# 生成数据集
def loadSimpDat():
    simDat = [
        ['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 simDat


def createInitSet(dataSet):
    retDict = {}
    for trans in dataSet:
        retDict[frozenset(trans)] = 1
    return retDict


if __name__ == '__main__':
    minSup = 3
    simDat = loadSimpDat()
    initSet = createInitSet(simDat)
    myFPtree, myHeaderTab = createTree(initSet, minSup)
    myFPtree.disp()

    myFreqList = []
    mineTree(myFPtree, myHeaderTab, minSup, set([]), myFreqList)
    print(myFreqList)

两个算法的思路都是采用的枚举式方法，然后通过统计其频率，按照我们的需求返回结果。
这一类算法比较适合用于包含具体的枚举项的场景，例如超市，商场。而如果是其他场景，比如，预测天气，分析影响天气的影响因素，则需采用其他更适合场景的方法了。