使用Apriori算法挖掘頻繁項(xiàng)集

一派敷、問(wèn)題描述

頻繁模式挖掘搜索給定數(shù)據(jù)集中反復(fù)出現(xiàn)的聯(lián)系调限,使用Apriori算法挖掘1M電影數(shù)據(jù)集中用戶喜愛的電影之間的關(guān)聯(lián)凿宾,分析用戶的觀影喜好麻捻,幫助推薦電影纲仍,例如:如果一位用戶觀看并喜愛了電影《你的名字》呀袱,他有多大可能也會(huì)觀看《秒速5厘米》。

二郑叠、主要設(shè)備(軟件)

Ubuntu,python2.7

三夜赵、Apriori算法

算法使用的是逐層搜索的迭代方法,使用K頻繁項(xiàng)集生成k+1頻繁項(xiàng)集锻拘,掃描數(shù)據(jù)庫(kù)油吭,累計(jì)每個(gè)項(xiàng)的計(jì)數(shù),收集滿足最小支持度的項(xiàng)生成頻繁1項(xiàng)集用它找出頻繁2項(xiàng)集署拟,每次都使用前一個(gè)找出后一個(gè)頻繁項(xiàng)集婉宰,每個(gè)Lk都需要一次數(shù)據(jù)的完整掃描。

在從Lk-1找Lk時(shí)為了提高效率推穷,壓縮搜索空間心包,使用連接步和剪枝步。連接步:通過(guò)將Lk-1于自身連接產(chǎn)生候選集k項(xiàng)集的集合馒铃。剪枝規(guī)則:將不可能的解提前過(guò)濾蟹腾,如果有一個(gè)項(xiàng)集不是頻繁項(xiàng)集,那么它的超集也一定不頻繁区宇,不作為候選集娃殖,不做最小支持度測(cè)試即任何非頻繁的(k-1)項(xiàng)集都不是頻繁k項(xiàng)集的子集。


四议谷、實(shí)驗(yàn)過(guò)程

收集數(shù)據(jù)

? 使用了MovieLens數(shù)據(jù)集ml-1m炉爆,數(shù)據(jù)大小為24.6MB的ratings.dat,數(shù)據(jù)按列依次為'user_id', 'name_id', 'rating_id', 'timestaps'卧晓。


輸入數(shù)據(jù)

使用了pandas芬首,基于numpy的工具,解決數(shù)據(jù)分析任務(wù)逼裆。

數(shù)據(jù)結(jié)構(gòu):

Series:序列郁稍,類似一維數(shù)組

DataFrame:表格型數(shù)據(jù)結(jié)構(gòu),二維數(shù)組

導(dǎo)入數(shù)據(jù)集:pd.read_table() 讀取表格的通用函數(shù)胜宇,使用時(shí)要指定文件中的內(nèi)容分隔符耀怜。


定義與變量說(shuō)明:

load_data_set()

加載數(shù)據(jù)集函數(shù)


rating_names

評(píng)價(jià)表的列名


rating_list

評(píng)價(jià)列表


ratings

訓(xùn)練集


D_set

name_id按user_id分組存放入子列表


pre_C1(D_set)

創(chuàng)建頻繁1項(xiàng)集的候選集函數(shù)


C1

頻繁1項(xiàng)集的候選集


pre_dict

頻繁1項(xiàng)集項(xiàng)和個(gè)數(shù)的字典


cut(Ck, Lk_1)

剪枝函數(shù)


sub_Ck

k-1項(xiàng)候選子集的集合


createCk(Lk_1, k):

list_Lk_1

連接步:生成頻繁k項(xiàng)集的候選集集合

K-1項(xiàng)頻繁項(xiàng)集集合的列表形式


l1,l2

Lk-1的項(xiàng)集


createLk(CK, D_set, min_sup)

根據(jù)候選集選出頻繁項(xiàng)集集合的函數(shù)篩去不是D_set子集的和非頻繁項(xiàng)集


Lk

K頻繁項(xiàng)集的集合


LkDict

存放k頻繁項(xiàng)集和支持度的字典


Support =[]

存放所有k頻繁項(xiàng)集集合的列表


Lk_1

k-1頻繁項(xiàng)集集合


L

總頻繁項(xiàng)集集合的列表


t_num

整個(gè)數(shù)據(jù)集的事務(wù)個(gè)數(shù)



訓(xùn)練算法

# -*- coding:utf-8 -*-

import pandas as pd

#使用pandas讀取文件并選取前200個(gè)用戶喜歡的電影,分割為訓(xùn)練集桐愉,標(biāo)準(zhǔn):評(píng)分大于3視為該用戶喜歡此電影

def load_data_set():

? ? rating_names = ['user_id', 'name_id', 'rating_id', 'timestaps']

? ? rating_list = pd.read_table('/home/wangyuhang/python_learn/ml-1m/ratings.dat', sep='::', header=None,engine="python",names=rating_names)

? ? rating_list["like"] = rating_list["rating_id"] > 3

? ? # print rating_list.head(5)

? ? ratings = rating_list[rating_list['user_id'].isin(range(200))]

? ? like_ratings = ratings[ratings['like']]

? ? rating_data = like_ratings.groupby('user_id')


? ? data = dict((k, v.values) for k, v in like_ratings.groupby("user_id")["name_id"])

? ? D_set = []

? ? for a in data.keys():

? ? ? ? D_set.append(data[a])

? ? return D_set



# 創(chuàng)建頻繁1項(xiàng)集的候選集的集合

def pre_C1(D_set):

? ? # global L

? ? # global Support

? ? C1 = set()

? ? pre_dict = dict()

? ? for row in D_set:

? ? ? ? for item in row:

? ? ? ? ? ? item_set = frozenset([item])? # 通過(guò)循環(huán)對(duì)data_set中的每個(gè)子列表內(nèi)部的每個(gè)元素產(chǎn)生不可變集合

? ? ? ? ? ? if item_set not in C1:

? ? ? ? ? ? ? ? C1.add(item_set)

? ? ? ? ? ? ? ? pre_dict[item_set] = 1

? ? ? ? ? ? else:

? ? ? ? ? ? ? ? pre_dict[item_set] = pre_dict[item_set] + 1

? ? return pre_dict




# 剪枝步:任何非頻繁的(k-1)項(xiàng)集都不是頻繁k項(xiàng)集的子集

def cut(Ck, Lk_1):

? ? for item in Ck:? # 候選k項(xiàng)集的集合

? ? ? ? sub_Ck = Ck - frozenset([item])? # k-1項(xiàng)子集的集合

? ? ? ? if sub_Ck not in Lk_1:? # 如果一個(gè)候選的k項(xiàng)集的(k-1)項(xiàng)子集不在頻繁項(xiàng)集L(K-1)中則該候選也不可能是頻繁的

? ? ? ? ? ? return False? # 返回false該候選集不頻繁封寞。

? ? ? ? else:

? ? ? ? ? ? return True



# 連接步:生成頻繁k項(xiàng)集的候選集的集合,為找出Lk仅财,通過(guò)將L(k-1)與自身連接產(chǎn)生候選k項(xiàng)集的集合狈究。

# 執(zhí)行L(k-1)自然連接,其中L(k-1)的元素l1,l2是可連接的,僅當(dāng)它們前(K-2)個(gè)項(xiàng)相同抖锥。即L(k-1)的元素l1,l2是可連接的亿眠。

def createCk(Lk_1, k):

? ? CK = set()

? ? list_Lk_1 = list(Lk_1)? # 將K-1頻繁項(xiàng)集的集合轉(zhuǎn)換為列表形式

? ? for i in range(0, len(Lk_1)):

? ? ? ? for j in range(1, len(Lk_1)):

? ? ? ? ? ? l1 = list(list_Lk_1[i]) #l1,l2為L(zhǎng)k-1的項(xiàng)集

? ? ? ? ? ? l2 = list(list_Lk_1[j])

? ? ? ? ? ? l1.sort()

? ? ? ? ? ? l2.sort()

? ? ? ? ? ? if l1[0:k - 2] == l2[0:k - 2]:? # 若l1,l2的前k-2個(gè)項(xiàng)相同

? ? ? ? ? ? ? ? Ck_item = list_Lk_1[i] | list_Lk_1[j]? # 將l1,l2的值并集賦給候選集子集

? ? ? ? ? ? ? ? if cut(Ck_item, Lk_1):? # 剪枝后添加到k候選集

? ? ? ? ? ? ? ? ? ? CK.add(Ck_item)

? ? return CK



# 根據(jù)候選集選出頻繁項(xiàng)集的集合,篩去不是D_set子集的和非頻繁項(xiàng)集

def createLk(CK, D_set, min_sup):

? ? Lk = set()

? ? pre_dict ={}

? ? LkDict={}

? ? for row in D_set:? # 對(duì)每個(gè)在D_set子集中的候選項(xiàng)計(jì)算支持度

? ? ? ? for item in CK:

? ? ? ? ? ? if item.issubset(row):

? ? ? ? ? ? ? ? if item not in pre_dict:

? ? ? ? ? ? ? ? ? ? pre_dict[item] = 1

? ? ? ? ? ? ? ? else:

? ? ? ? ? ? ? ? ? ? pre_dict[item] = pre_dict[item] + 1

? ? t_num = float(len(D_set)) #整個(gè)數(shù)據(jù)集的事務(wù)個(gè)數(shù)

? ? for x in pre_dict:

? ? ? ? if pre_dict[x]/t_num >=min_sup:? # 判斷是否大于最小支持度

? ? ? ? ? ? Lk.add(x)

? ? ? ? ? ? LkDict[x]=pre_dict[x]/t_num

? ? return Lk,LkDict



def generate_L(D_set, k, min_sup): #生成頻繁項(xiàng)集集合磅废,接收createLk函數(shù)返回的每個(gè)頻繁k項(xiàng)集集合和他們的支持度纳像,并保存到列表Support中

? ? Support =[]

? ? C1 = pre_C1(D_set)? ? #生成1頻繁項(xiàng)集候選集

? ? L1= createLk(C1, D_set, min_sup)[0] #生成1頻繁項(xiàng)集

? ? Support.append(createLk(C1, D_set, min_sup)[1]) #將1頻繁項(xiàng)集和支持度的字典添加到列表Support中

? ? Lk_1 = L1 #用1頻繁項(xiàng)集初始化k-1頻繁項(xiàng)集集合

? ? L = []

? ? L.append(Lk_1)

? ? for i in range(2, k + 1):

? ? ? ? Ci = createCk(Lk_1, i)

? ? ? ? Li= createLk(Ci, D_set, min_sup)[0]

? ? ? ? Support.append(createLk(Ci, D_set, min_sup)[1])

? ? ? ? Lk_1 = Li.copy()

? ? ? ? L.append(Lk_1)

? ? ? ? # Support.append(su[i])

? ? # print su

? ? return Support


? ? # 打印頻繁項(xiàng)集和支持度

if __name__ == "__main__":

? ? """

? ? Test


? ? """

? ? print "請(qǐng)等待,該數(shù)據(jù)大小為前%d用戶的所有觀影數(shù)據(jù):"% len(load_data_set())

? ? D_set = load_data_set()

? ? Support = generate_L(D_set, 3, min_sup=0.2)

? ? # len_data=float(len(D_set))

? ? for su in Support:

? ? ? ? print "-" * 50

? ? ? ? print "frequent " + str(len(list(su.keys())[0])) + "-itemsets\t\tsupport"

? ? ? ? print "-" * 50

? ? ? ? for key in su:

? ? ? ? ? ? print "%s:\t%s" % (key, su[key])


五拯勉、問(wèn)題分析

問(wèn)題:速度過(guò)慢竟趾,存在效率問(wèn)題,一開始采用了從字典中剔除不大于最小支持度的方法,過(guò)于耗時(shí)宫峦,時(shí)間復(fù)雜度為 n^2

解決方法:?jiǎn)尾秸{(diào)試查找耗時(shí)原因岔帽,改進(jìn)數(shù)據(jù)結(jié)構(gòu)和算法。

1导绷、在createLk()中將原本的剔除方法改為增添大于最小支持度的項(xiàng)犀勒,同時(shí)在本函數(shù)中計(jì)算支持度

2、在generate_L()方法中將原先的先用su字典接收返回值妥曲,再添加到Support列表中改為直接用Support列表接收返回值,相應(yīng)的修改最終打印過(guò)程為每個(gè)Support列表中的頻繁項(xiàng)集和支持度組成的字典贾费,打印其鍵和值。

?

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末檐盟,一起剝皮案震驚了整個(gè)濱河市褂萧,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌葵萎,老刑警劉巖导犹,帶你破解...
    沈念sama閱讀 211,743評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異陌宿,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī)波丰,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,296評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門壳坪,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人掰烟,你說(shuō)我怎么就攤上這事爽蝴。” “怎么了纫骑?”我有些...
    開封第一講書人閱讀 157,285評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵蝎亚,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我先馆,道長(zhǎng)发框,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,485評(píng)論 1 283
  • 正文 為了忘掉前任煤墙,我火速辦了婚禮梅惯,結(jié)果婚禮上宪拥,老公的妹妹穿的比我還像新娘。我一直安慰自己铣减,他們只是感情好她君,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,581評(píng)論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著葫哗,像睡著了一般缔刹。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上劣针,一...
    開封第一講書人閱讀 49,821評(píng)論 1 290
  • 那天校镐,我揣著相機(jī)與錄音,去河邊找鬼酿秸。 笑死灭翔,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的辣苏。 我是一名探鬼主播肝箱,決...
    沈念sama閱讀 38,960評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼稀蟋!你這毒婦竟也來(lái)了煌张?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,719評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤退客,失蹤者是張志新(化名)和其女友劉穎骏融,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體萌狂,經(jīng)...
    沈念sama閱讀 44,186評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡档玻,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,516評(píng)論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了茫藏。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片误趴。...
    茶點(diǎn)故事閱讀 38,650評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖务傲,靈堂內(nèi)的尸體忽然破棺而出凉当,到底是詐尸還是另有隱情,我是刑警寧澤售葡,帶...
    沈念sama閱讀 34,329評(píng)論 4 330
  • 正文 年R本政府宣布看杭,位于F島的核電站,受9級(jí)特大地震影響挟伙,放射性物質(zhì)發(fā)生泄漏楼雹。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,936評(píng)論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望烘豹。 院中可真熱鬧瓜贾,春花似錦、人聲如沸携悯。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,757評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)憔鬼。三九已至龟劲,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間轴或,已是汗流浹背昌跌。 一陣腳步聲響...
    開封第一講書人閱讀 31,991評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留照雁,地道東北人蚕愤。 一個(gè)月前我還...
    沈念sama閱讀 46,370評(píng)論 2 360
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像饺蚊,于是被迫代替她去往敵國(guó)和親萍诱。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,527評(píng)論 2 349

推薦閱讀更多精彩內(nèi)容